【论文阅读笔记】Simple and Deep Graph Convolutional Networks

1. 论文地址：

论文：https://arxiv.org/pdf/2007.02133.pdf
源码：https: //github.com/chennnM/GCNII

2. 摘要：

图卷积网络（GCNs）是一种针对图结构数据的强大的深度学习方法。最近，GCNs和后续的变体在实际数据集中的各种应用领域显示了优越的性能。尽管他们很成功，但是由于过度平滑的问题，大多数目前的GCN模型都是浅层的。

本文研究了深度图卷积网络的设计与分析问题，并提出了GCNII，它是普通GCN模型的扩展，应用了两种简单而有效的技术：初始残差（Initial residual）和恒等映射（Identity mapping）。理论和实践证明，这两种技术有效地缓解了过度平滑的问题，并且深层GCNII模型在各种半监督和完全监督任务上的性能优于最新的方法。

3. 简介：

3.1 图卷积神经网络：

图卷积神经网络（GCN）从CNN演化而来，即通过一组共享的权重参数来对每个节点的邻居做线性变换，然后加上非线性激活函数来获取图节点的特征表示。并且后续研究表明，GCN在社交网络分析、推荐系统等方向都有很大的应用价值。