Semi-Supervised Classification with Graph Convolutional Networks简介

最新推荐文章于 2025-06-15 08:15:00 发布
原创 最新推荐文章于 2025-06-15 08:15:00 发布 · 5.7k 阅读 · 13 ·
CC 4.0 BY-SA版权
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。
文章标签：

#GCN #半监督分类 #论文

文章提出了一种基于图卷积网络（GCN）的半监督学习方法，用于处理图结构数据。通过谱图卷积的近似实现，GCN能够有效地编码局部图结构和节点特征。实验展示了该模型在半监督节点分类任务上的高效性和可扩展性。

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

摘要

文章呈现了一种可缩放的半监督学习方法，利用卷积神经网络变种来进行图结构数据的学习。通过spectral graph convolution（谱图卷积）的局部一阶近似来确定卷积网络结构。隐藏层的表示是通过编码局部图结构以及结点特征来进行。

介绍

作者主要贡献：

  1. 介绍了一个简单且表现良好的层向的传播规则对于神经网络模型
  2. 证明基于图的神经网络能被快速且可缩放的半监督分类

Graph中的快速卷积

具有以下分层传播规则的多层图形卷积网络（GCN）：

​在这里插入图片描述

  • A ~ = A + I N \tilde{A}=A+I_N A~=A+IN​是带自环的邻接矩阵
  • D ~ i i = ∑ j A ~ i j \tilde{D}_{ii}=\sum_j \tilde{A}_{ij} D~ii​=∑j​A~ij​</
最低0.47元/天 解锁文章

200万优质内容无限畅学
半监督的GCN：Semi-Supervised Classification With Graph Convolutional Networks
Guozyan的博客
05-13 740
关于内存需求：当前模型采用全批量梯度下降，后续考虑小批量随机梯度下降，但此时要考虑GCN的层数，因为具有k层的gcn的k阶邻域必须存储在存储器中以用于精确的过程。关于图是有向边还是无向边：框架只支持无向边，如果是有向图可以拆分为无向二分图，并添加表示原图中的边的节点，可以处理有向边和边特征。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阶的截断展开来近似代替gθ（Λ）。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。
GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））
jkokj23153的博客
09-15 2159
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] 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
BUPT-WT的博客
01-27 3822
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论文分享
最新发布
XLYcmy的博客
06-15 165
介绍了一种新的方法用于图结构数据的半监督分类。GCN 模型使用一种有效的 分层传播规则，该规则基于图上谱卷积的一阶近似。在大量网络数据集上的实验表明，所 提出的 GCN 模型能够以一种用于半监督分类的方式编码图结构和节点特征。提出了一种基于图结构数据的半监督学习的可扩展方法，该方法基于直接在图上操作的卷积神经网络的有效变体。模型在图边的数量上线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在引用网络和知识图数据集上的大量实验中，证明了方法明显优于相关方法。
【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
cziun的博客
02-01 1100
【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
Semi-supervised Classification with Graph Convolutional Networks
tszupup的博客
04-20 902
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
05-02 632
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
当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大...
【[GCN]semi-supervised classification with graph convolutional networks】
weixin_45840199的博客
02-10 837
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 1139
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...
Semi-Supervised Classification With Graph Convolutional Networks
I‘m Frank Lee
11-09 3523
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
04-11 460
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
06-06 674
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
【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks
扬帆·启航
03-16 3515
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。
【论文】Semi-Supervised Classification with Graph Convolutional Networks
安静
02-27 758
Semi-Supervised Classification with Graph Convolutional Networks1 Introduction2 Fast Approximate Convolutions on Graphs2.1 Spectral Graph Convolutions2.2 Layer-Wise Linear Model3 Semi-Supervised Node ...
论文阅读：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
a486259的博客
07-14 704
我们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。我们通过谱图卷积局部的一阶近似来实现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文章翻译
03-23
### 关于《Semi-Supervised Classification with Graph Convolutional Networks》的中文翻译 以下是《Semi-Supervised Classification with Graph Convolutional Networks》文章的核心内容及其翻译： #### 图卷积网络简介 该研究提出了一种基于图结构数据的半监督分类方法，利用图卷积神经网络（Graph Convolutional Network, GCN）来处理带有图结构的数据集。这种方法通过谱图理论中的局部一阶近似技术，能够有效地对图中的节点特征以及其邻域关系进行编码[^1]。 #### 半监督学习背景 在许多实际场景中，获取标签的成本较高，因此仅有一部分数据被标注，而大部分数据未被标记。这种情况下，半监督学习成为一种重要的解决方案。本文提出的模型能够在少量标注样本的基础上，充分利用大量无标签数据的信息来进行预测和分类任务[^2]。 #### 方法核心 作者引入了一个简单的两层图卷积网络架构，其中每一层都由一个线性变换矩阵乘法操作组成，并结合激活函数以增加非线性特性。具体来说，输入为节点特征向量 X 和描述节点间连接关系的邻接矩阵 A，在经过多轮传播更新之后得到最终表示 H^(L)，再通过 softmax 函数转化为概率分布形式完成分类工作[^3]。 #### 实验验证 为了证明所提方案的有效性和优越性能，实验选取了多个标准基准测试集合进行了对比分析。结果显示相比于其他传统算法或者复杂深度学习框架而言，本方法不仅计算效率更高而且取得了更好的效果表现。 --- ```python import numpy as np from tensorflow.keras.layers import Dense from tensorflow.keras.models import Model def gcn_layer(A_hat, input_dim, output_dim): """ 定义单层GCN 参数: A_hat (numpy.ndarray): 预处理后的邻接矩阵 input_dim (int): 输入维度大小 output_dim (int): 输出维度大小 返回: function: GCN 层定义 """ W = np.random.randn(input_dim, output_dim) * 0.01 # 初始化权重参数 b = np.zeros((output_dim,)) def layer(X): return np.dot(np.dot(A_hat, X), W) + b return layer # 构建简单模型实例化过程省略... ``` 上述代码片段展示了如何构建基本版本的一层GCN实现方式之一。 --- #### 总结 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赢得了广泛认可并推动了后续一系列改进型变体的发展方向。 ---
评论 1
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