qq_44569072的博客

Motivation 传统GCN在节点分类中达到了不错的效果，但只能在将层数限制在2-3层，加深层数会导致两个问题： （1）、出现过平滑现象：即最后所有节点趋向同一个值。 （2）、随着层数的加深，参数量也呈指数级增长。 但是试验表明，一般要将层数达到4-5层才能使才能覆盖所有的节点。 为了解决这个问题，引进了PageRank方法。 问题一 由于PageRand方法可能陷入“陷阱问题”和“终止问题”...

图卷积的理论基础 理论参考 GCN基于频域的方法，空域方法见graphsage 图拉普拉斯矩阵 定义：L = D - A 对称L的标准化：L=D−1/2LD−1/2L=D^{-1/2}LD^{-1/2}L=D−1/2LD−1/2 非对称L的标准化：L=D−1LL=D^{-1}LL=D−1L 傅里叶变换 傅里叶卷积 傅里叶卷积可以表示为： f∗g=F−1{F{f}⋅F{g}}f*g=F^{-1}\l...

GCN简介 GCN回顾 GAT文章主要是为了解决GCN需要已知整个图才能训练的缺陷而产生。 GAT的实现过程 1、特征提取 与GCN基本相同 import numpy as np import scipy.sparse as sp import torch def encode_onehot(labels): classes = set(labels) classes_dict...