图卷积神经网络(part3)--三个经典谱域图卷积模型

最新推荐文章于 2024-11-08 17:28:15 发布
最新推荐文章于 2024-11-08 17:28:15 发布
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习 卷积
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/m0_37422217/article/details/110779510
本文介绍了三个经典的谱域图卷积模型：SCNN、ChebNet和GCN。SCNN利用可学习的对角矩阵进行图卷积，但计算复杂度高，ChebNet通过切比雪夫多项式降低复杂度，而GCN进一步简化，仅考虑一阶切比雪夫，减少参数量。GCN通过多层堆叠扩大感受野，但也因此引发了一些关于模型能力的讨论。

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

学习笔记，仅供参考，有错必究

文章目录

三个经典谱域图卷积模型


概述

三个图谱卷积模型（SCNN、ChebNet、GCN）均立足于谱图理论且一脉相承；

ChebNet可看做SCNN的改进，GCN可看做ChebNet的改进，即SCNN -> ChebNet -> GCN

三个模型均可认为是下式的一个特例：

在这里插入图片描述


SCNN

卷积前后信号的信号：

在这里插入图片描述

其中， n n

了解本专栏 订阅专栏 解锁全文 超级会员免费看
图卷积神经网络课程笔记（一）——谱域图卷积（Spectral）背景知识及经典模型
weixin_43803931的博客
07-31 3848
此博文是对深蓝学院《图卷积神经网络》课程笔记进行整理，简要阐述了谱域图卷积背景知识以及经典的图谱卷积模型。 其中背景知识先摆出结论，之后通过提问题的方式循序渐进引出各种知识点，如图谱卷积定理、傅立叶变换、拉普拉斯矩阵等；经典的图谱卷积模型有SCNN、ChebNet、GCN。 欢迎各位前辈们指出问题，一起交流。 未经授权禁止转载。 一、谱域图卷积定理 即： 将空域信号转换到频域，然后相乘。 在将相乘的结构再转换到空域。 问题来了： 空域信号如何转换到频域？通过图傅立叶...
【Graph Neural Network 图神经网络】2.Spectral-based Graph Convolutional Networks 基于谱域的图卷积网络
TsingM
06-22 2548
GCN(Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017) 该文为基于谱域的图卷积网络的代表作，为图神经网络模型引入一个简单且表现好的分层传播规则，该规则直接在图上运行，展示了它是如何从谱图卷积的一阶近似中获得增益的，并演示了如何将这种形式的基于图的神经网络模型用于图中节点的快速和可扩展的半监督分类。 0. 基本概念 图用G=(V,E)G=(V,E)G=(V,E)表示，VVV中元素为节点（vertex），E
【图卷积网络】02-谱域图卷积介绍
冷芝士鸭的学习笔记
01-25 3547
图卷积神经网络（Graph Convolution Neural Networks, GCNNs）方法分为两类，基于谱域的方法和基于空域的方法。基于谱域的方法通过从图信号处理的角度引入滤波器来定义图卷积，其中图卷积操作被解释为从图信号中去除噪声。基于空域的方法将图卷积表示为聚合来自邻居的特征信息。
图卷积（2）——谱域图卷积（1）
maple的博客
10-28 942
图卷积（2）——谱域图卷积（1） 卷积 F[f1(t)⋆f2(t)]=F1(w)⋅F2(w)f1(t)⋆f2(t)=F−1[F1(w)⋅F2(w)] \begin{aligned} \mathcal{F}\left[f_{1}(t) \star f_{2}(t)\right]&=F_{1}(w) \cdot F_{2}(w) \\ f_{1}(t) \star f_{2}(t)&=\mathcal{F}^{-1}\left[F_{1}(w) \cdot F_{2}(w)\right] \en
谱域图卷积
shengweiit的博客
06-07 631
根据卷积定理，两信号在空域（或者时域）的卷积的傅里叶变换等于这两信号在频域中的傅里叶变换的乘积。将空域信号转换到频域，然后相乘将相乘的结果在转换到空域基于图谱理论，图傅里叶变换拉普拉斯矩阵是对称半正定矩阵n阶对称矩阵一定有n个线性无关的特征向量对称矩阵的不同特征值对应的特征向量相互正交，这些正交的特征向量构成的矩阵为正交矩阵实对称矩阵的特征向量一定是实向量半正定矩阵的特征值一定非负。
CNN--卷积神经网络从R-CNN到Faster R-CNN的理解(CIFAR10分类代码)
mantch
08-11 1978
文章目录1. 什么是CNN1.1 输入层1.2 卷积计算层(conv)1.3 激励层1.4 池化层1.5 全连接层1.6 层次结构小结1.7 CNN优缺点2. 典型CNN发展历程3. 图像相关任务3.1 图像识别与定位3.1.1 思路1：识别+定位过程3.1.2 思路2：图窗+识别3.2 物体检测(object detection)3.2.1 过程3.2.2 R-CNN3.2.3 SPP-Net3...
基于动态图卷积神经网络的脑电情绪识别
m0_48640283的博客
03-05 1808
实验结果表明，所提出的方法比最先进的方法实现了更好的识别性能，其中主题相关实验的平均识别准确率为 90.4%，主题独立交叉验证的平均识别准确率为 79.95%，SEED 数据库上的主题独立交叉验证的平均准确率分别为 86.23%、84.54% 和 85.02%，分别为 DREAMER 数据库上的效价、唤醒和优势分类。图1示出了包含六个顶点节点和连接图的节点的边的图的示例，以及与图相关联的邻接矩阵，其中图左侧的不同颜色箭头表示连接源节点到目标节点的边，而图的右侧是相应邻接矩阵的图示。
Keras ： 利用卷积神经网络CNN对图像进行分类，以mnist数据集为例建立模型并预测
陈杉菜
10-16 7878
阴雨连绵的周五，附带陈杉片刻不停的步伐，和半路响起的上课铃本学期的第一次迟到（针对ldw老师），不期而至了呢顺便昨晚没休息好（可能不是），在老师讲课的时候困意发起多次攻击，我以为我能承受住然后我就溃败了，丢盔弃甲之后老师也停止授课（不是，主要是知识点讲完了），巧的是困意小队发出撤退信号，我直接活力回归，真 奇 妙言归正传，讲的是卷积神经网络的图像分类从计算机视觉开始讲起，错过第一张PPT，该死的下雨天眼睛 ≠ 计算机视觉 ， 摄像机也不中间的内容被迫不记得了，这是结论。...
卷积神经网络的python实现,python卷积神经网络图像
super67269的博客
08-24 1185
上周末利用python简单实现了一个卷积神经网络，只包含一个卷积层和一个maxpooling层，pooling层后面的多层神经网络采用了softmax形式的输出。实验输入仍然采用MNIST图像使用10个featuremap时，卷积和pooling的结果分别如下所示。部分源码如下：[python] viewplain copy#coding=utf-8'''''Created on 2014年11月30日@author: Wangliaofan'''import numpyimport structimpor
traffic_prediction:分别使用三种图卷积做一个简单的交通流量预测模型
05-11
说明： 使用三种图卷积做一个简单的交通流量预测模型。 我所用的环境： PyTorch=1.4.0 torchvision=0.5.0 cudatoolkit=10.1 cudnn=7.6.3 若哪里不足请指出来，共同学习。
【GNN】谱域图卷积
qq_30340349的博客
04-26 575
GNN 图卷积学习笔记
图卷积神经网络笔记——第二章：谱域图卷积介绍（1）
Ma Sizhou
05-29 1万+
目录一、图卷积介绍二、图谱卷积的背景知识 一、图卷积介绍 其中语音可以看作是一维向量，图像可以看作是二维矩阵，视频可以看作是三维矩阵。 其中序列无序性是指：上图中红色节点的邻居节点有两个，而我们不知道它们谁应该排在前，谁应该排在后，这就是序列无序性。维数可变性是指：上图中红色节点和蓝色节点的邻居节点个数是可以不相同的，这就是维数可变性。因此我们无法将3x3的卷积核应用到图数据上，这就是图卷积网络需要解决的问题。 后面我会先介绍谱域图卷积方法，主要由下面圈出来的三篇文章入手，即SCNN、GCN
图卷积神经网络笔记——第二章：谱域图卷积介绍（2）
Ma Sizhou
05-31 5749
上一小节： 链接. 接下来介绍三个经典的图谱卷积模型：SCNN、ChebNet、GCN 目录一、简介二、SCNN三、ChebNet四、GCN五、小结 一、简介 上面这个式子是上一小节最后推导的结果。 二、SCNN 上面图片实际上是GCN模型的图片，放在这里是因为不同方法的卷积网络特征图的规律都是一样的。如上面左图，首先某一层的图的信号可以表示为一个 n∗Cn*Cn∗C 的一个矩阵，nnn 就表示有nnn个不同的节点，CCC 代表通道个数；然后所谓图上的信号，其实就可以分解为各个节点上的信号，用XXX.
图神经网络（GNN）入门笔记（2）——从谱域理解图卷积，ChebNet和GCN实现
最新发布
litble的成(tui)长(fei)史
11-08 1159
与谱域图卷积（Spectral Domain Graph Convolution）对应的是空间域（Spatial Domain）图卷积。本节学习的谱域图卷积指的是通过频率来理解卷积的方法。
【谱域图卷积神经网络】(二) 全网最简单细致版本讲解
WANGYANG的博客
02-27 1973
对传统谱域图神经网络进行回顾，对后续的衍生模型进行系统化的讲解，梳理时间线以及优缺点必要性分析。
图卷积网络 Graph Convolutional Networks
热门推荐
明远
01-18 1万+
SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 本文提出了一个基于卷积神经网络处理图结构数据的半监督学习算法，
图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍
yilulvxing的博客
12-03 8288
备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。 目录 1：简介 2：SCNN 3：ChebNet 4：GCN GCN特点 5：总结 5.1：图卷积实现思路 5.2：谱域图卷积实现理论支撑 5.3：经典图谱卷积 上一篇文章链接：文章地址 继续上一篇的图卷积推导过程： 上面公式推导的结果就是谱域图卷积最终的公式，所有的谱域图卷积的原理就是这个公式，只是对滤波器 ​做.
卷积入门学习示意图
frighting_ing的博客
10-30 1556
附链接 https://github.com/vdumoulin/conv_arithmetic
图卷积神经网络1-谱域图卷积：拉普拉斯变换到谱域图卷积
yilulvxing的博客
11-29 7993
备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。 目录： 图卷积近年发展 图卷积简介 2.1. 经典卷积神经网络的应用 2.2. 经典卷积神经网络的局限 2.3. 如何将卷积操作拓展到图结构数据中？ 谱域卷积 3.1. 图谱卷积背景知识 3.2. 图谱卷积的数学知识 3.3. 图傅里叶变换 3.4. 图傅里叶反变换 3.5. 图傅里叶正变换 3.6. 经典傅里叶变换与图傅里叶变换的对比 3.
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

打赏作者

GUI Research Group

谢谢支持！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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