论文笔记：Diffusion-Convolutional Neural Networks （传播-卷积神经网络）

最新推荐文章于 2025-07-03 12:55:14 发布

a1424262219

最新推荐文章于 2025-07-03 12:55:14 发布

阅读量3.8k

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能

原文链接：http://www.cnblogs.com/wangxiaocvpr/p/8763510.html

论文介绍了传播-卷积神经网络（DCNNs），一种处理图结构数据的新模型。DCNNs通过图传播过程构建节点的隐层表示，用于节点分类任务，能够在保持多项式时间复杂度的同时，利用GPU高效实现。模型不受图同构影响，且学习过程可表示为张量操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Diffusion-Convolutional Neural Networks （传播-卷积神经网络）
2018-04-09 21:59:02

1. Abstract:

　　我们提出传播-卷积神经网络（DCNNs），一种处理 graph-structured data 的新模型。随着 DCNNs 的介绍，我们展示如何从 graph structured data 中学习基于传播的表示（diffusion-based representations），然后作为节点分类的有效基础。DCNNs 拥有多个有趣的性质，包括：

　　1). a latent representation for graphical data that is invariant under isomorphism;

　　2). polynomial-time prediction;

　　3). learning that can be represented as tensor operations;

　　4). efficiently implemented on a GPU.

2. Introduction:

　　处理结构化的数据是非常有挑战的。一方面，找到合适的方法来展示和探索数据的结构可以获得预测精度的提升；另一方面，找到这样的结构可能很困难，在模型中添加结构会使得预测复杂度显著的提升。