半监督的GCN：Semi-Supervised Classification With Graph Convolutional Networks

于 2024-05-13 17:14:48 发布
阅读量728 收藏 14
点赞数 5
CC 4.0 BY-SA版权
文章标签： 学习 笔记
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。
本文链接：https://blog.youkuaiyun.com/Guozyan/article/details/138792321
本文介绍了使用图卷积网络（GCN）进行半监督节点分类的方法。GCN结合了CNN的特性，适用于图数据结构，通过邻接矩阵进行局部谱滤波。文章详细阐述了基于图的快速近似卷积原理，以及在TensorFlow上的实现。实验结果显示，GCN在引文网络数据集上的性能优于其他半监督学习方法，如标签传播和DeepWalk。尽管GCN在处理大规模图数据时面临内存挑战，但其对图结构数据的高效处理表明了其潜力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Semi-Supervised Classification With Graph Convolutional Networks

-Theophilus Siameh-2017(2023)

思路

使用可扩展方法对图进行半监督学习，其中CNN应用在图数据上，得到GCN。
这种方法是在图的边的数量上进行线性的缩放模型，并学习包含局部图结构和图节点的几个隐藏层表示。

CNN/GNN

CNN明确可以将某些属性（与图像、视频相关）编码到架构中。神经元以3个维度排列：高度、宽度、深度或颜色通道。将过滤器应用到创建特征图中，该特征图总结了输入中检测到的特征的存在。
GCN假设输入数据是图结构，使用邻接矩阵转换为二进制编码。（不光能用于图结构，还可以用于其他不规则的结构，一种强大的深度学习方法）

基于图的快速近似卷积

考虑具有逐层传播规则的多层图卷积网络GCN，其网络模型为f（X，A）在这里插入图片描述
这种基于Weisfeiler-Lehman算法的传播规则可以作为图上局部谱滤波器的一阶近似的结果。
一、谱图卷积
图上的谱卷积可以定义为每个节点X 的标量与滤波器gθ=diag（θ）的乘积，滤波器gθ=diag（θ）在傅立叶域中由θ ∈ RN参数化在这里插入图片描述
对于大型图，其损失函数的特征分解的计算十分昂贵，为解决此问题，可以用切比雪夫多项式到第k阶的截

最低0.47元/天 解锁文章

200万优质内容无限畅学
YanYan——
关注
【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 829
提出了一种可扩展的图结构数据的半监督学习方法，该方法基于直接在图上操作的卷积神经网络的有效变体。通过光谱图卷积的局部一阶近似来激发我们的卷积体系结构的选择。我们的模型在图边的数量上呈线性扩展，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数据集上的许多实验中，我们证明了我们的方法显著优于相关方法。
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
abrams90的专栏
12-02 1131
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...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub：Visualization of Graph Convolutional Networks in PyTorch。本文作代码解析的也是这一个。 文章目录train.py函数定义版本兼容路径初始化所需要的函数库显示超参数函数：show_Hyperparameter(arg
Semi-supervised Classification with Graph Convolutional Networks
tszupup的博客
04-20 897
今天准备在所里分享的文章，GCN的提出论文，2017年发表在ICLR上，目前（截止到2019/4/20）在谷歌学术上被引用了近1000次。 ...
Semi-Supervised Classification with Graph Convolutional Networks
deye1979的专栏
05-02 629
Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks."arXiv preprint arXiv:1609.02907(2016). 作者对Convolutional Neural Networks on Graphs w...
semi -supervised classification with graph convolutional networks学习必记
01-07
半监督学习：用于少量节点标签未知，例如文本、citation network、知识图谱分类 2 主要思想 采用图卷积中的一阶局部近似（即K=1），这部分的理解可以参考Chebyshev多项式作为GCN卷积核 当K=1 时有两个参数,模型...
GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））
jkokj23153的博客
09-15 2155
这里给的代码链接是用PyTorch实现的，原始论文中的代码是用Tensorflow实现的，有兴趣的可以自己玩
【GCN】论文浅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
没有胡子的猫Asimov
11-12 748
title: GCN cover: https://gitee.com/Asimok/picgo/raw/master/img/MacBookPro/20201112141842.jpg GCN GCN：图卷积网络 SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS：基于图卷积网络的半监督分类 任务 在图结构数据中，一部节点已知标签，剩下的节点标签未知，使用已知标签的节点训练卷积神经网络，使用网络模型对无标签的节点进行分.
Semi-supervised classification with graph convolutional networks
BUPT-WT的博客
01-27 3802
研究意义: 1、在拓扑图中 可以有效的提取空间特征 2、拓扑图中每个顶点的相邻顶点数目可能不同，所以不能用同样大小的卷积核进行卷积操作 本文主要结构如下所示: 一、Abstract 提出将卷积操作应用到图上，通过图频域的近似分析来建模学习图的局部结构和结点特征。 二、Introduction 介绍图上结点分类的半监督问题，通过神经网络学习结点的表式，半监督定义loss function ，提出了图上神经网络传播规则并将其与图频域分析联合起来 三、Fast Approxima...
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3517
图卷积网络的半监督分类 提升了图卷积的性能，使用切比雪夫多项式的1阶近似完成了高效的图卷积架构。原文链接：Semi-Supervised Classification with Graph Convolutional Networks. Kipf & Welling 2017 一开始就提出， 2Fast Approximate Convolutions On Graphs 介绍基...
图卷积网络 Semi-supervised Classification with Graph Convolutional Networks
chumingqian的博客
04-11 444
namedGCN.在这篇文章中，我们将仔细研究一个名为 GCN 的著名图神经网络之一。首先，我们将获得直觉，看看它是如何工作的，然后我们将更深入地了解它背后的数学原理。
[解读] Semi-Supervised Classification with Graph Convolutional Networks
天在那边
06-06 673
作者受到谱图卷积的局部一阶近似的启发, 提出一种可扩展的图卷积网络, 可用于具有图结构数据的半监督学习. 论文链接: https://arxiv.org/abs/1609.02907v4 相关工作 本文考虑节点分类的半监督问题, 即所有节点中只有一部分的标签是已知的. (Zhu et al., 2003; Zhou et al., 2004; Belkin et al.,2006; Weston et al., 2012) 等提出的方法, 标签信息通过某种显式的正则化基于图的正则化项来表达, 并且标签 信
【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
cziun的博客
02-01 1076
【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
【GCN】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
NaNianSuYan的博客
04-26 754
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...
论文阅读_GCN卷积图神经网络实现半监督分类器
谢彦的技术博客
03-12 1884
介绍 英文题目：Semi-Supervised Classification with Graph Convolutional Networks 中文题目：使用卷积图神经网络实现半监督分类器 论文地址：https://arxiv.org/abs/1609.02907 领域：自然语言处理，知识图谱，图神经网络 上传时间：2016 出处：ICLR 2017 被引量：10671 代码和数据： https://github.com/tkipf/gcn https://github.com/kaize0409/py
GCN为什么是半监督学习？
jkokj23153的博客
10-15 1269
因为GCN那篇论文里面，数据集的划分是一部分有标签，一部分没标签，但是在使用图的连接信息的时候用到了图的邻接矩阵，所有这部分是用到了全部图的结构信息，而有一部分节点没有标签。所以作者才把论文名字命名为半监督学习。
GCN--SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
travalscx的博客
12-05 722
图卷积有谱卷积和空间域的卷积，这篇论文是谱卷积。 此篇论文的入门：https://tkipf.github.io/graph-convolutional-networks/ 耐心看，收获很大。 这篇论文是谱卷积其实就是将傅立叶的图滤波一步步推成神经网络。 推导的过程参考原文，或者一个博客：https://blog.csdn.net/chensi1995/article/details/772320...
Semi-supervised classification with graph convolutional networks文章翻译
最新发布
03-23
通过对图结构特性的深入挖掘，《Semi-Supervised Classification with Graph Convolutional Networks》成功设计出了适用于大规模稀疏图上的高效半监督分类器——即著名的GCNs家族成员之一。它凭借简洁优雅的设计思路...
评论
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