图卷积网络-图的深度学习

---

  磐创AI分享  

作者 | Francesco Casalegno
编译 | VK
来源 | Towards Data Science

• Traffic patterns forecasting on road networks(https://arxiv.org/abs/1802.07007)
• Inferring missing information in a Knowledge Graph(https://arxiv.org/abs/1706.05674)
• Predicting protein interactions for drug discovery(https://papers.nips.cc/paper/2017/file/f507783927f2ec2737ba40afbd17efb5-Paper.pdf)
• Recommender systems based on social networks data(https://arxiv.org/abs/1902.07243)

• Traffic patterns forecasting on road networks(https://arxiv.org/abs/1802.07007)
• Inferring missing information in a Knowledge Graph(https://arxiv.org/abs/1706.05674)
• Predicting protein interactions for drug discovery(https://papers.nips.cc/paper/2017/file/f507783927f2ec2737ba40afbd17efb5-Paper.pdf)
• Recommender systems based on social networks data(https://arxiv.org/abs/1902.07243)

• 在1D中，处理音频信号-例如用于声音分类
• 在2D中，处理图像-例如用于早期龋齿检测
• 在3D技术中，处理扫描，例如核磁共振脑成像

• D、 度矩阵是对角线矩阵，包含每个顶点的边数；
• A、 邻接矩阵表示每对顶点是否通过边连接。

1. 通过一系列的局部卷积滤波器和池化层来提取HxWxC输入图像的特征。
2. 产生的特征通道被映射到一个固定大小的向量，例如使用一个全局池层。
3. 最后，使用几个全连接的层来产生最终的分类输出。

• NxC向量x，对于图的N个节点中的每一个顶点，包含C个特征
• NxN邻接矩阵

• 从知识图到社交网络，图应用无处不在。
• 卷积神经网络（CNNs）在许多领域都取得了成功，可以推广到图卷积网络（GCNs）。
• 图的卷积是通过图的傅立叶变换来定义的。
• 图傅里叶变换又被定义为拉普拉斯特征值的投影。
• 对于传统的cnn，GCN由几个卷积层和池层组成，用于特征提取，然后是最后的完全连接层。
• 为了确保卷积滤波器具有紧凑的支持，我们使用多项式参数化。切比雪夫多项式可以降低计算复杂度。