zhangsj1007的博客

正如在introduction里面提到的，我们应用数据X和图结构的邻接矩阵锁提出的模型f(X,A)在图结构上进行半监督的学习。我们希望能够利用这套模型能够预测临界矩阵中的不在X中的非label数据，例如引用网络中两个文本的链接或者是知识图谱中的关系。在接下来的讨论中，我们主要考虑一个2层的GCN网络用来做半监督的节点分类的学习。时间中，我们使用TensorFlow在GPU上进行训练 (9）中的稀疏矩阵乘法，（9）的计算复杂度为。这里简单引入一个例子，利用图上信息传播的方式的一个灵活的模型。

这种一阶的线性方式，我们仍然可以罗列多层的卷积层，这不局限于切比雪夫多项式。我直觉期望这样的模型能够对于点的度数很高的分布（例如，社交网络、引用网络、知识图谱和其他一些真实世界的数据库）的图结构起到减轻过拟合的作用。并且，对于一定的计算资源，这种一阶的layer-wise方式能够建立更深的网络。在这一章节，我们为这种特殊的的图基础的神经网络模型f(X, A)提供理论上的支持。现在，如果我们将层的卷积操作K=1，即图谱域拉普拉斯矩阵L的限行函数。计算公式(3)是非常繁重的计算，因为特征向量的矩阵U的乘法是。

GCN 翻译