GCN(图卷积神经网络)的简单理解

最新推荐文章于 2025-03-11 20:24:22 发布
最新推荐文章于 2025-03-11 20:24:22 发布
阅读量4.6k 收藏 32
点赞数 4
分类专栏： 深度学习 文章标签： 神经网络 卷积 网络 机器学习
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/ziqingnian/article/details/109527842
版权

最近开始看GCN的论文，拜读了Thomas N. Kipf大佬的Semi-Supervised Classification with Graph Convolutional Networks，开始学习GCN之前我们需要有一些关于图的先验知识。

图是一种数据结构图是一种数据结构，由节点、边组成，两个节点之间的连接称为边，如社交网络、知识图、蛋白质作用网络等

同时拉普拉斯矩阵是一种表示图数据的有效方式

• D 是度矩阵 (degree matrix) 
• A 是邻接矩阵 (adjacency matrix)
• 拉普拉斯矩阵 L = D – A

     L进行归一化后为

     U

最低0.47元/天 解锁文章
GCN（图卷积神经网络）详解
一去不复返的通信er
11-12 6066
详细的GCN分析
图卷积神经网络模型----GCN
s_nan的博客
08-30 2331
一、傅里叶变换与拉普拉斯变换 傅里叶变换是一种线性的积分变换，这种变换是从时间转换为频率的变换或其相互转换。（原因：我们将信号分解为频域里各种不同频率的信号，又由于频域分析具有很多时域所不具有的特点，故可以比较方便的对原信号进行分析。） 参考：https://zhuanlan.zhihu.com/p/41455378 时域中的信号，我们可以构造一个三角函数之和： 其中傅里叶级数如下图所示： 其中=又称为...
清晰图解，一图看懂图卷积GCN、时空图卷积ST-GCN
qq_43601378的博客
06-15 9273
目录1.前言2.普通卷积与图卷积2.1 普通卷积2.2 图卷积3.ST-GCN图卷积的公式解读4 ST-GCN图卷积的代码解读5 参考文献6 联系方式 1.前言 本文为我阅读论文 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition 和代码后的所思所想，仅代表我个人观点 2.普通卷积与图卷积 2.1 普通卷积 在理解图卷积之前，需要认识一下传统的卷积。对于一个3×3的卷积操作而言，相当于把3×3
【GNN】第四章：图卷积层GCN
因为热爱所以坚持
03-11 1218
很多地方讲GCN时一直和图像卷积CNN放一起扯啊扯，我个人认为，二者实在没啥可比性，就好比苹果和橘子，没啥可比的，就各学各的，学GCN就把脑子里面的CNN给清空了，不然越搅越糊。一是，在传统深度学习中，deeper is better, 所以我们一直追求更深更复杂的架构，也就是我们经常说的"在海量的数据上训练巨大的模型",所以现在很多模型动辄就是数亿参数，普通电脑根本没法训练，所以当下就是拼硬件的一个局面。每个节点更新特征的时候，一方面要考虑自身的特征，另一方面要考虑与它相关的点的特征。
图机器学习基础知识——GCN
WindGrin_的博客
04-14 1142
图机器学习基础知识——GCN
GCN的简单理解
qq_42988861的博客
05-12 457
参考链接 流程图解 pytorch实现 公式推导 GCN公式 Hl=GCN(Hl−1;A)=σ(A~Hl−1Wl+Bl) H^{l} = GCN(H^{l-1} ;A)=\sigma( \tilde A H^{l-1}W^{l}+B^{l}) Hl=GCN(Hl−1;A)=σ(A~Hl−1Wl+Bl) A~\tilde AA~为邻接矩阵， H为上一层输出， W为可训练权重， B为偏置 即 (1)        x∗Ggθ=θ(.
图卷积网络（GCN）全解析
hello.reader
12-25 1万+
图卷积网络（Graph Convolutional Network, GCN）是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络（Convolutional Neural Network, CNN），GCN能够直接在不规则的图结构上运行，而无需将其转换为规则的网格数据。在深入了解图神经网络（Graph Neural Network, GNN）之前，需要理解图的基础知识。
GCN图卷积神经网络
LifeBackwards的专栏
11-21 1510
GCN算法的步骤简单可总结为： 1、初始化：为每个节点分配初始特征表示。 2、邻居聚合：对于每个节点，将其自身特征与邻居节点的特征进行加权平均或拼接，得到聚合后的特征。 3、特征转换：对聚合后的特征进行线性变换，以充分利用特征之间的关系。 4、非线性激活：应用非线性激活函数，如ReLU，将线性变换后的特征映射到非线性空间。 5、循环迭代：重复进行邻居聚合、特征转换和非线性激活的步骤，直到达到所需的网络层数或收敛条件。 对于每个节点，我们在聚类时从它的所有邻居节点处获取其特征信息，当然也包括它自身的特征。
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
通过理解T-GCN的工作原理，我们可以利用图卷积神经网络的强大能力，解决复杂网络中的交通流预测问题，从而提高城市交通的效率和安全性。同时，不断的研究和改进可能会诞生更先进的模型，以应对不断变化的交通需求和...
【MATLAB实现】 MATLAB实现基于GCN图卷积神经网络多特征分类预测的详细项目实例（含模型描述及示例代码）
最新发布
05-01
内容概要：本文档详细介绍了基于MATLAB实现的GCN图卷积神经网络多特征分类预测项目。文档首先阐述了GCN的基本概念及其在图数据分析中的优势，随后明确了项目的目标，包括实现多特征分类预测系统、提升分类能力、优化...
GCN-图卷积神经网络算法讲解（通俗版）
热门推荐
weixin_50706330的博客
10-24 3万+
GCN-图卷积神经网络算法讲解（通俗版）
传统模型用腻了？GCN图卷积神经网络一键实现西储大学轴承故障诊断！发文新思路！
QSJIQIXUEXI的博客
04-04 1691
然后，对最佳IMF分量的9个指标进行计算，分别是：均值，方差，峰值，峭度，有效值，峰值因子，脉冲因子，波形因子，裕度因子（对应特征1-9），类别即故障类型，都已经整理好放在了Excel里，如下图所示！取官方下载的驱动端（DE）振动数据，分别为97.mat、107.mat、120.mat、132.mat、171.mat、187.mat、199.mat、211.mat、224.mat、236.mat，即转速为1750时的10种故障诊断类型（包括正常情况），并将所有的数据和类别综合到一个变量中。
图卷积神经网络（GCN）
Sky_小天
10-07 1万+
图卷积神经网络（GCN）的初级认识
清晰图表，详尽阐述 GNN、GCN、GAE 等 5 类模型
XXMRXXX的博客
09-02 1万+
图神经网络 (GNN) 图神经网络是图数据最原始的半监督深度学习方法。 GNN 的思路：为了编码图的结构信息，每个节点可以由低维状态向量表示。对于以图为中心的任务，建议添加一个特殊节点，这个节点具有与整个图相对应的唯一属性。 回顾过去，GNN 统一了一些处理图数据的早期方法，如递归神经网络和马尔可夫链。 展望未来，GNN 中的概念具有深远的启示：许多最先进的 GCN 实际上遵循与邻近节点交换信息的...
【知识图谱】——图卷积神经网络（GCN）
汤庆
06-30 1万+
一、前言 深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。我们做图像识别，对象是图片，是一个二维的结构，于是人们发明了CNN这种神奇的模型来提取图片的特征。CNN的核心在于它的kernel，kernel是一个个小窗口，...
GNN 系列：图神经网络的“开山之作”GCN模型
Datawhale
08-04 2960
c点击上方“Datawhale”，选择“星标”公众号 第一时间获取价值内容 【导读】这是我们介绍图神经网络的第一篇文章，取自Kipf et al. 2017，文章中提出的模型叫Graph Convolutional Network(GCN)，个人认为可以看作是图神经网络的“开山之作”，因为GCN利用了近似的技巧推导出了一个简单而高效的模型，使得图像处理中的卷积操作能够简单得被用到图结构数据...
图神经网络-GCN、GraphSAGE、NGCF、LightGCN
liuhe2296044的博客
02-03 6716
①GCN做卷积分为两种方式： 一种是基于频域（谱域）（spectral domain）。频域可以类比到对图片进行傅里叶变换后，再进行卷积。（通过对图的拉普拉斯矩阵做特征分解，将它定义在傅里叶 domain上） 一是基于顶点域（空间域） （vertex domain），即顶点域可以类比到直接在图片的像素点上进行卷积。 ②基于频域的卷积是如何做的？ 第一步：L=D-A得到 第二步：对L做特征分解。 第三步：？？ 当给了一张图，我们有了它的邻接矩阵A和度矩阵D。 计算拉普拉斯矩阵，..
Graph Convolutional Network (GCN) 图卷积网络
酒酿小圆子呀～
07-03 8156
基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客
GCN-图卷积模型理解
为援不可图
09-08 1603
论文提出了一种可以在图结构中进行有效特征抽取的架构，这是和我们认为的卷积神经网络所处理的图片问题不同，图往往是非结构数据，呈散发或者聚合的样子，因此，很难通过普通的卷积网络来进行特征抽取。
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
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