对于论文Semi-Supervised Classification with Graph Convolutional Networks，小白的学习理解

顺顺不吃竹笋 顺顺不吃竹笋 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 585平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄10年
关注
原创 最新推荐文章于 2026-04-23 09:32:19 发布 585 阅读 AI 写同款· GEO 优化 ›
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS Abstract 本文提出了一种基于卷积神经网络的可扩展半监督学习方法，该方法可以直接对图进行学习。我们通过图卷积的局部一阶近似来进行卷积结构的选择。我们的模型在图边缘数量上线性扩展，并且学习了编码局部图结构和节点特征的隐层表示。在引用的网络和知识图数据集上的大量实验表明，我们的方法比相关方法有显著的优势。 1、Introduction 我们考虑在图(如引用网... 阅读详情

参考笔记：论文笔记：Semi-Supervised Classification with Graph Convolutional Networks_hongbin_xu的博客-优快云博客

论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS_semi supervised classification_饮冰l的博客-优快云博客

拉普拉斯矩阵与正则化_拉普拉斯正则化_solicucu的博客-优快云博客

图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导_详细给出图卷积网络推导过程_不务正业的土豆的博客-优快云博客

如果看了这篇文章你还不懂傅里叶变换，那就过来掐死我吧 - 知乎

前言

卷积神经网络：灵感来源于人类的大脑，在识别一个物体时，首先识别边缘，再识别形状，最后确定物体的类型。卷积神经网络利用大脑识别的特点，建立多层神经网络，较低层识别物体的特征，若干底层特征组成更高一层特征，最终通过多层特征组合来进行分类。

典型的卷积神经网络CNN由卷积层、池化层和全连接层组成。卷积层用来提取特征，池化层用来降维和降低过拟合，全连接层用来输出最后的结果。研究的对象通常是有规则的空间结构，比如有序的语句，对于猫狗的分类。这些特征都可以用矩阵来表示。对于具有平移不变性的图片，一个小窗口移动到任意位置都不影响内部结构，可以使用CNN来提取特征。而RNN通常用于NLP这种序列信息。但是生活中还具备很多没有规则的空间结构数据，比如分子结构等，可以认为是无限维的数据，不具有平移不变性，这些不规则的空间结构难以用固定的卷积核来表示特征。每一个节点都是独一无二的，会让CNN,RNN失效.而GCN设计了一套从图数据中提取特征的办法，本质是个特征提取器。论文（Semi-Supervised Classification with Graph Convolutional Networks）使用谱图理论，利用拉普拉斯矩阵的特征值和特征向量来研究图的性质。

半监督学习是指样本集只有部分数据含有标签 ，通过已有标签的数据推断出没有标签数据的分类。给定一个数据集，可以映射成一个图，数据集中每个数据对应一个结点，由于一个图可以对应一个矩阵，这使得我们可以基于矩阵来进行半监督学习算法的分析。但是这有两个问题，一是假设有n个样本，复杂度就是n^2，这使得如此大规模的数据很难处理。二是构图过程只能使用样本集，再加入新的样本需要对原图进行重构并重新标记。

该论文的目标是解决半监督学习的问题。本文使用神经网络f(X,A)对图结构进行编码，对带有标签的节点在监督目标上进行训练。

 1 介绍

我们考虑在图中对节点进行分类的问题，其中标签只适用于一小部分节点。这个问题被定为半监督学习，其中标签信息通过某种形式基于图的显示正则化在图上平滑。例如公式（1），在损失函数中使用拉普拉斯正则化项：

  • L_{0}表示图中有标签的监督损失
  • f（.）表示类似神经网络的可微函数
  • λ 是个权重因子
  • X是节点特征向量X_{i}的矩阵
  • A表示图的邻接矩阵
  • D_{ii}=\sum_{j}^{}A_{ij}表示A的度矩阵，是个对角矩阵
  • ∆=D-A表示无向图的非归一化图拉普拉斯算子

这有两个好处，我们为图神经网络引入了一个简单且行为良好的前向传播公式，并展示了它是如何从谱图卷积的一阶近似中被激发。其次，我们演示了这种形式的基于图的神经网络模型如何用于图中节点的半监督分类。缺点是依赖于假设：相连接的节点可能共享相同的标签。这个假设可能会限制建模的能力，因为图边不一定需要编码节点相似性，而是可能包含附加信息。

2 图上的快速近似卷积

这节考虑多层图卷积网络（GCN）：

  • A是图的邻接矩阵
  • \tilde{A}=A+I_{A}，是A加上自环
  •  \tilde{D_{ii}}是\tilde{A}的度矩阵 \sum j \tilde{A}ij，是一个对角矩阵
  • W^{(l)}是用于特定层可训练的权重矩阵
  • σ(.)是激活函数,例如ReLU(.)=max(0,.)
  • H^{l}∈R^{N*D}是l层的激活矩阵可以认为是第l-1层的输出，且H^{0}=X

下面将证明这种前向传播形式可以通过图上的局部谱滤波器的一阶近似来激发。

2.1 谱图卷积

我们考虑图上的谱卷积。对于一个输入信号x∈R^{N}，在傅里叶领域中取参数θ∈R^{N}，设置一个过滤器g\theta =diag(\theta )

  • U是图的标准化拉普拉斯的特征向量矩阵
  • 拉普拉斯矩阵:L=I_{N}-D^{-1/2}AD^{-1/2}=U\Lambda U^{T}
  • Λ特征值是对角矩阵，U^{T}x就是图上的傅里叶变换
  • 可以将g\theta理解成为L的特征值函数，即g\theta (\Lambda )

计算公式（3）成本很昂贵，复杂度是O(N^{2})，此外，计算L的特征分解代价很高。为了避免这个问题，g\theta (\Lambda )可以使用切比雪夫多项式T_{k}(x)的截断展开式很好的近似到k阶。

  •  \tilde{\Lambda }=\frac{2}{\lambda _{max}}\Lambda -I_{N}，\lambda _{max}代表拉普拉斯矩阵L最大的特征值
  • {\theta}'\epsilon R^{K} 是一个切比雪夫系数
  • 切比雪夫多项式定义：
  1. T_{0}(x)=1
  2. T_{1}(x)=x
  3. T_{k}(x)=2xT_{k-1}(X)-T_{k-2}(x)

回到信号x和滤波器g\theta (\Lambda )卷积的定义，可得：

  •  \tilde{L }=\frac{2}{\lambda _{max}}L -I_{N}
  • (U\Lambda U^{T})^{k}=U\Lambda ^{k}U^{T}
  • k是拉普拉斯函数的k阶多项式，它只依赖于距离中心点步长最大为k步的节点

2.2 分层线性模型

可以通过叠加公式（5）来构建基于图卷积的神经网络。当K=1，即为拉普拉斯L上的线性函数。论文提到，通过这种形式的GCN，可以缓解具有非常宽节点度分布的图的局部邻域结构的过拟合问题。可以通过堆叠多个这样的层来提取特征。

在GCN的这个线性公式（K=1）中，进一步假设\lambda _{max}\approx 2.可以预测到神经网络参数能在训练过程中适应这种变化。在这些近似下，公式（5）化简为：

证明过程：

拉普拉斯矩阵L=D(度矩阵)-A(邻接矩阵)

拉普拉斯矩阵正则化证明：L^{sym}= D^{-1/2}LD^{-1/2}= D^{-1/2}(D-A)D^{-1/2}= D^{-1/2}DD^{-1/2}-D^{-1/2}AD^{-1/2}= I_{N}-D^{-1/2}AD^{-1/2}

在这里插入图片描述

  •  这里有两个过滤器参数\Theta ^{0}和\Theta ^{1}，可以在整个图上共享。
  • k是卷积层的数量
  • 进一步限制参数的数量有助于减少过拟合

  •  \Theta =\Theta ^{0}=-\Theta ^{1}

此时I_{N}+D^{-1/2}AD^{-1/2}特征值范围是[0,2]，当神经网络使用该公式可能造成数值不稳定和梯度爆炸/消失。为了解决这个问题，引入了以下归一化技巧。

  • I_{N}+D^{-1/2}AD^{-1/2}->\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}（即加上图中自环）
  • \tilde{A}=A+I_{N}
  • \tilde{D}_{ii}=\sum_{j}^{}\tilde{A}_{ij}

在加上激活函数σ(.)，可以得到H^{l+1}=f(H^{l},A)=\sigma(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}H^{l}W^{l}),也就是公式2.

可以将这个定义推广到信号X\epsilon R^{N*C}，它有C个输入通道(即每个节点有一个C维特征向量)和F和滤波器或特征映射，如下图所示

  • \Theta \epsilon R^{C*F}是滤波器参数矩阵
  • Z\epsilon R^{N*F}是卷积后输出的信号矩阵

3 半监督节点分类

前面介绍了在图上有效的传播信息的模型f(X,A)，现在回到半监督节点分类问题。通过调节模型f(.)使得在邻接矩阵包含了一些X中不存在的信息的情况下更有用，例如引用网络中文档之间的引用链接或知识图中的关系。如图是整体模型用于半监督学习的多层GCN：

3.1 样例

下列例子中考虑在一个对称邻接矩阵A的图上使用两层GCN进行半监督节点分类。我们首先计算\tilde{A}=D^{-1/2}\tilde{A}D^{-1/2}，前向传播模型采用：

左图用于半监督学习的多层网络GCN的示意图，在输入层有C个输入，若干个隐藏层和F个输出特征。右图是在Cora数据集上训练的双层GCN的隐藏层可视化结果，颜色表示文档分类。

在这里，我们定义属于输入层到隐藏层的参数，属于隐藏层到输出层的参数。softmax激活函数定义为e^{x_{i}}/\sum_{i=1}^{N}e^{x_{i}},按行应用。用交叉熵误差来评估所有有标签数据。

其中Yl是带有标签节点的集合。神经网络对W0和W1采用梯度下降法进行训练。使用dropout引入训练过程的随机性。

4 总结

利用切比雪夫公式作k阶近似拟合滤波器，依赖于周围步长最长为k的节点，进一步考虑周围节点对其影响，即取K=1，\lambda_{max} \approx 2，并进一步优化，取\Theta =\Theta ^{0}=-\Theta ^{1}，为了防止梯度爆炸做了改进，得到最终定义。

收录于
剪枝学习

当前文章被收录于：

剪枝学习
4 篇文章 0 人学习
订阅专栏 查看详情
标签
#深度学习 #计算机视觉 #人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks GCN开山之作论文解读：《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》 阅读详情

相关推荐

semi_supervised classification with graph convolutional networks论文阅读报告(1)

来来来，下一篇。 这篇论文的作者写了一篇博客，介绍了这篇文章的来龙去脉：GRAPH CONVOLUTIONAL NETWORKS  论文作者已经写得挺详细了，我为啥还要写这篇博客呢？因为我发现作为一个小白，很多地方是不懂的，所以我想把自己的思路和问题写下来。 另外还有，论文内容与代码的对应问题：我发现有时候论文看的非常皮毛，理论和代码对应不上，所以想把他们的之间的关系描述一下，把我学习的

u013263329的博客 8154

AMiner推荐论文：Semi-Supervised and Self-Supervised Classification with Multi-View Graph Neural Networks

论文链接： https://www.aminer.cn/pub/61850e9691e01121084ca0db?f=cs 图神经网络 (GNN) 在处理图结构数据方面取得了重大成功，例如知识图、引文网络、分子结构等。 然而，由于过度平滑问题，它们中的大多数通常是浅层结构。当堆叠许多层时，节点是无法区分的。最近的几项研究试图通过扩大感受野来聚合来自高阶邻居的信息来设计具有强大表达能力的深度 GNN。但是深度模型可能会引起过拟合问题。在本文中，我们提出了一种新的见解，可以基于不需要深层结构的多视图来聚合更多有

AI_Conf的博客 824

论文阅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

论文阅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS目录Abstract1.INTRODUCTION2.FAST APPROXIMATE CONVOLUTIONS ON GRAPHS2.1 Spectral Graph Convolutions2.2 Layer-Wise Linear Model3 Semi-Supervised Node Classification3.1 Example3.2 Implementati

qq_45402748的博客 1231

【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks

将卷积扩展到图结构的数据中，能够得到比较好的数据表示，并且在半监督任务中也取得了不错的效果。

扬帆·启航 3735

Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解

Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解

November、Chopin 2569

论文翻译：图卷积入门-SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

我们提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集的大量实验中，我们证明了我们的方法。 我们考虑对图(如引文网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可以被框定为基于图的半监督学习，通过某种形式的显式基于图的正则化来平滑图上的标签信息...

com_fang_bean的博客 1714

【GCN】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

阅读论文时查找到的一些觉得有用的资料，整理收集，方便以后参考。 论文地址： Semi-Supervised Classification with Graph Convolutional Networks 1：CNN与GCN的联系与区别 知乎地址：从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 简书：浅析图卷积神经网络 2：论文原理翻译前3章：图卷积神经网络的半监...

NaNianSuYan的博客 802

Semi-Supervised and Self-Supervised Classification with Multi-View Graph Neural Networks

摘要 图神经网络在图结构数据中取得了很好的效果但是大多数的模型使用的还是叫浅层的结构，当模型层数加深时很容易过平滑。本文基于多视图来聚合更多的信息。我们首先设计两个互补的视图来描述全局结构和节点特征相似性，然后使用注意力策略融合节点表示。最后，通过在不同视图上使用对比学习来学习节点的表示。引言 GCN是每层聚合一次一阶邻居的信息，通过增加层数迭代聚合邻居信息。但随着网络层数的增加，效果会严重下降。实验发现使用RELU作为激活函数的GCN随着层数的增加效果严重下降而使用其他激活函数图tanh有减缓过平滑的效果

欢迎订阅 -- 小源笔迹 944

【GCN】图卷积网络的半监督学习脉络

1、入门： 知乎回答：从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 2、论文阅读： 论文地址：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 论文翻译1：图卷积神经网络的半监督学习 论文解读1：深度学习新星 | 图卷积神经网络（GCN）有多强大？ 论文解读2：SEMI-SUPERVISED ...

夏至是个程序媛 5565

Carla-UE4Editor导入RoadRunner地图文件（保姆级教程）

以Carla官网导入RoadRunner地图的标准文档为参考，里面增添了很多细节和注意事项，遇到问题的小伙伴过来看看吧。

DSK_981029的博客 1万+

LEAP模型—低排放分析平台

LEAP 正在迅速成为进行综合资源规划、温室气体 (GHG) 缓解评估和低排放发展战略 (LEDS) 的国家的事实标准，尤其是在发展中国家，许多国家也选择使用 LEAP 作为其承诺的一部分向联合国气候变化框架公约（UNFCCC）报告。至少有 32 个国家使用 LEAP 来创建能源和排放情景，这些情景是其国家自主气候变化贡献计划 (INDC) 的基础：具有历史意义的巴黎气候协议的基础旨在表明各国开始经济脱碳的意图和投资于气候适应力。

weixin_54697010的博客 3281

对于SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解

SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解笔记总结 文章目录SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解笔记总结前言必备知识： GCN（Graph Convolutional network）对于卷积核gθ​的定义关于...

qq_41563394的博客 9144

从FPGA工程师视角看CXP-12：如何用Xilinx GTX/GTH收发器搞定一条50Gbps的工业相机数据流？

本文从FPGA工程师视角详细解析了如何利用Xilinx GTX/GTH收发器实现50Gbps的CXP-12工业相机数据流传输。通过协议分析、硬件设计要点和FPGA逻辑实现，帮助开发者高效构建高带宽工业视觉系统，特别适合4K/8K高分辨率图像处理需求。

weixin_42533622的博客 282

论文分享--＞GCN--＞SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

本次要总结和分享的是ICLR2017的关于GCN方面的代表作之一论文：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS，论文链接 paper 先导知识 在读这篇论文之前，需要对论文 Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 有着深入的理解，否则里面数学推导会让人感到迷茫。关于该论文，之前的博文已经对其推导过程进行了

村头陶员外的博客 1298

通达信主力检测利器

主力轨迹:100*EMA(EMA(MTM,N1),N1)/EMA(EMA(ABS(MTM),N1),N1),COLORWHITE;主力拉高:IF(VAR51<REF(VAR51,1),VAR51,0),COLORYELLOW,NODRAW;洗盘:IF(VAR5<REF(VAR5,1),VAR5,0),COLOR000079,NODRAW;主力进场:IF(VAR5>REF(VAR5,1),VAR5,0),COLORRED,NODRAW;MAZL:MA(主力轨迹,N2),COLORYELLOW;

zhibiaogong的博客 7464

手把手教你用海康威视相机+DLP4500搭建双目结构光系统（附避坑指南）

本文详细介绍了如何使用海康威视相机和DLP4500搭建双目结构光三维测量系统，涵盖硬件选型、系统搭建、双目标定及三维重建等关键步骤。特别针对预算有限的开发者和实验室团队，提供实用的避坑指南和优化技巧，帮助实现0.02mm的高精度测量。

weixin_42526087的博客 462

【文献阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

本文介绍了一篇2017年ICLR会议上的经典论文《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》。作者将CNN思想迁移到图网络，提出了图卷积操作（GCN），用于半监督节点分类任务。该方法通过优化邻接矩阵和度矩阵实现特征传播，具有线性时间复杂度。实验表明GCN在当时达到SOTA性能，但存在GPU内存限制和权重分配固定的局限性。虽然后续研究指出GCN难以训练深层网络，但该工作开创性地将CNN思想应用于图数据，为后续研究提供了重要

Lola_chenn的博客 987

Vue集成飞书前端JSSDK

文章目录前言<1>飞书前端JSSDK<2>使用步骤1.将JSSDK引入到VUE2.读入数据总结 前言 公司需要使用飞书软件，所以转战飞书开发，也是对新知识的探索与研究，飞书SDK也一直都在更新，路虽远，行必达。 <1>飞书前端JSSDK 1、官网地址：https://open.feishu.cn/document/uYjL24iN/uITO4IjLykDOy4iM5gjM 2、当前使用的飞书前端JSSDk的版本：1.5.4 <!-- 在html文档中 --&gt

A 1万+

论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

前言 本文提出了一种可扩展的基于图数据结构的半监督学习方法，该方法基于一个有效的卷积神经网络变形，这种变形能够直接对图进行操作（卷积层变为了图卷积层）。图结构的数据在现实应用中非常常见，比如: Social Networks, Citation Netwoks, Knowledge Graphs等。 图半监督学习的setting是，在给定的图结构的数据中，只有少部分节点是有标记的，大部分节点是未标...

qq_44015059的博客 2840

【1.2】Costas环的基本原理概述

Costas环是一种用于载波恢复的相干解调技术，可直接从BPSK等抑制载波信号中恢复本地载波并完成解调。其核心结构包含同相/正交双支路处理，通过混频、低通滤波后，利用I/Q支路信号乘积进行相位误差检测，经环路滤波器调节VCO输出频率，实现载波同步。课程将重点讲解Costas环的MATLAB仿真实现、系统性能分析及FPGA开发，包括信号产生、频偏模拟、滤波器设计等模块，并通过AWGN信道和不同频偏条件下的测试验证系统性能。该技术无需单独提取载波，在数字通信系统中具有重要应用价值。

fpga/matlab/simulink算法仿真工程 451

wxComboBox类的使用方法及示例代码

其中，parent表示该控件的父窗口，ID_COMBOBOX是该控件的ID，用于在事件处理函数中区分不同的控件，"默认选项"是下拉列表框的默认选项，options是wxArrayString类型的数组，用于存储下拉列表框中的选项，style可以指定wxComboBox的样式。wxComboBox是wxWidgets中的一个常用控件，它可以被用来显示一组在下拉列表框中的选项，并允许用户从中选择一个选项。上述就是wxComboBox类的基本使用方法，使用这个控件可以方便地实现下拉列表框的功能。

学习使你进步。 713

全宇宙最详细：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 文中所有的数学公式解析

文章目录论文中使用的一些概念和推导CNN 平移不变性Graph 的特征提取操作Graph 卷积的频域卷积方法为什么要求图 G(V, E) 的拉普拉斯矩阵拉普拉斯矩阵和傅里叶变换的关系以下是论文内容ABSTRACTINTRODUCTION 论文中使用的一些概念和推导 可以先自己看论文，遇到公式推导的时候翻上来看这部分就可以 CNN 平移不变性 引文：卷积神经网络为什么具有平移不变性？ 不变性意味着即使目标的外观发生了某种变化，但是你依然可以把它识别出来 下图只是一个为了说明这个问题的例子。输入图像的左下

qq_42902997的博客 2435

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【论文阅读】Semi-supervised classification with graph convolutional networks

这里是GCN图神经网络论文的阅读笔记、学习过程中有帮助的一些链接等

weixin_53563701的博客 1454

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

论文精读-Semi-Supervised Classification with Graph Convolutional Networks

GCN是一种可扩展的方法，用于图结构数据的半监督学习，GCN在图上进行卷积操作。我们通过谱图卷积的局部一阶近似来激励卷积架构的选择。模型在图边的数量上线性扩展，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图谱数据集上的大量实验中，我们证明了我们的方法在很大程度上优于相关方法。半监督学习：在图(如引文网络)中对节点(如文档)进行分类的问题，其中标签仅适用于一小部分节点。这个问题可以被框定为基于图的半监督学习。图拉普拉斯正则项图拉普拉斯正则项是在基于图的半监督学习中常用的一种正则化项。

quxuexi的博客 1769

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

图卷积网络之Semi-supervised Classification with Graph Convolutional Networks

Semi-supervised Classification with Graph Convolutional Networks 文章是一片使用谱图卷积的一节近似方法简化一种有效的卷积神经网络的直接应用在图上的变体, 实现对于图结构数据的半监督学习,&amp;nbsp; We motivate the choice of our convolutional architecture via a loc...

画心 4614

【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（基于图卷积网络的半监督分类）预备知识参考论文INTRODUCTION 预备知识 【GCN】图卷积网络初探——基于图（Graph）的傅里叶变换和卷积 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 参考论文 【GCN】论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETW

cziun的博客 1283
上一篇： 4 多层感知机-个人理解
下一篇： Attention is all you need 论文笔记
点赞 0
评论 0
书签 书签 0
顺顺不吃竹笋
顺顺不吃竹笋
博客等级 码龄10年 32粉丝 53原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值