图卷积网络原理及其基于paddlepaddle的实现.pdfVIP

图卷积⽹络原理及其基于paddlepaddle的实现

图卷积⽹络

这⾥的图是指Graph，⼀种数据结构。

图卷积⽹络关键问题在于如何定义在图上的卷积操作。⽬前有两种⽅法：

谱⽅法

空间⽅法

已经证明，谱⽅法是空间⽅法的⼀种特例。本⽂将简要介绍⽬前关于图卷积操作的基本⽅法，以其基于paddlepaddle平台实现了其中⼀种

称为GCN的图卷积⽹络。由于图像可以视为⼀种特殊的Graph。因此图卷积⽹络也可以处理图像的数据。将实现后的⽹络⽤于MNIST数据

集做图的分类，实验结果表明，图卷积⽹络具有很强的表达能⼒。

谱⽅法

G=(V,E,W)n=V∣∣W∈Rn×nX∈Rn×d

对于⼀个图，如果结点个数，那么邻接矩阵。令,其中每⼀列代表图上的⼀个信号，共d个

信号。

LWUx

假设是的规⼀化后的拉普拉斯矩阵，且其正交特征向量矩阵为。则图上信号的傅⽴叶变换和逆变换定义如下：

⊤

傅⽴叶变换：x^=Ux

傅⽴叶逆变换：x=Ux^

⊤⊤

根据可以定义卷积操作如下。其中Uy=(θ,θ,...,θ),θ=diag(θ,θ,...,θ)。

卷积定理12ng12n

⊤⊤

x∗y=U(Ux⊙Uy)

G

⊤

=UθUx

g

那么GCN可表⽰如下。

d

∑

⊤

x=h(UθUx)

t,ji=1gt−1,i

xtjdt−1h

其中t,j表⽰第层第个信号。表⽰第层的信号个数。是⼀个⾮线性函数。上⾯公式的含义是：后⼀层中的某⼀个信号等于前⼀层

所有d个信号卷积后相加，再过⼀个⾮线性变换。

K

2kk

O(n)ggg=∑βΛΛ

以上的每⼀