发表服务
这其实是我写的周报，分享一下。有兴趣可以联系我，我目前电子科大大三在读。1.三篇论文之间联系第一篇论文给出了图卷积的一种实现方法，第二篇论文是继承与发展，从内推到外推，从矩阵到逐个节点，聚类函数也…
推导过程可以看GCN原始论文：Semi-SupervisedClassificationwithGraphConvolutionalNetworks用图卷积进行半监督分类最后，通过将卷积推广到ddd维的通道输入中的多个滤波器上，并在每一层之间用非线性激活函数的分层模型，就得到了如公式(5)所定义的GCN传播规则
论文在指标选择上使用的是F1值，对于多分类问题，包括之前看的GCN原始论文，用的都是准确率（accuracy)，不知为何这样选择。实验表现从实验结果对比来看，FastGCN也都不是最好的，在它所说的适用于大图稠密图上的embedding，比较看…
所以GCN的实质是什么，是在一张GraphNetwork中特征（Feature）和消息（Message）中的流动和传播！这个传播最原始的形态就是状态的变化正比于相应空间（这里是Graph空间）拉普拉斯算子作用在当前的状态。
基于attention的半监督GCN|论文分享.图卷积对图中节点的特征和图结构建模，本文中作者首先移除图卷积中的非线性变换，发现在GCN中起关键作用的是传播层，而不是非线知层。.然后提出AGNN模型，在传播层引入attention机制，使中心节点特征的聚合过程中...
而GCN又来源于对ChebNet的进一步简化与近似，他们都属于在频域上定义的图卷积网络。本文将对ChebNet和GCN这两个经典方法进行梳理，重点解释GCN从ChebNet的简化过程，原始论文可参考：[1]Convolutionalneuralnetworkson…
论文作者的说明该框架目前仅限于无向图（加权或不加权）。但是，可以通过将原始有向图表示为一个无向的两端图，并增加代表原始图中边的节点，来处理有向边和边特征。下一步是什么呢对于GCN，我们似乎可以同时利用节点特征和图的结构。
推导过程可以看GCN原始论文：Semi-SupervisedClassificationwithGraphConvolutionalNetworks用图卷积进行半监督分类最后，通过将卷积推广到ddd维的通道输入中的多个滤波器上，并在每一层之间用非线性激活函数的分层模型，就得到了如公式(5)所定义的GCN传播规则
GCN应该叠加几层？在论文中，作者还分别对浅层和深层的GCN进行了一些实验。在下图中，我们可以看到，使用2层或3...但是，可以通过将原始...
在GCN的原始论文[9]（2017.Semi-supervisedclassificationwithgraphconvolutionalnetworks）中，GCN的训练使用的是全批量梯度降低（fullgradientdescent），可是它的计算和内存成本很高。
这其实是我写的周报，分享一下。有兴趣可以联系我，我目前电子科大大三在读。1.三篇论文之间联系第一篇论文给出了图卷积的一种实现方法，第二篇论文是继承与发展，从内推到外推，从矩阵到逐个节点，聚类函数也…
推导过程可以看GCN原始论文：Semi-SupervisedClassificationwithGraphConvolutionalNetworks用图卷积进行半监督分类最后，通过将卷积推广到ddd维的通道输入中的多个滤波器上，并在每一层之间用非线性激活函数的分层模型，就得到了如公式(5)所定义的GCN传播规则
论文在指标选择上使用的是F1值，对于多分类问题，包括之前看的GCN原始论文，用的都是准确率（accuracy)，不知为何这样选择。实验表现从实验结果对比来看，FastGCN也都不是最好的，在它所说的适用于大图稠密图上的embedding，比较看…
所以GCN的实质是什么，是在一张GraphNetwork中特征（Feature）和消息（Message）中的流动和传播！这个传播最原始的形态就是状态的变化正比于相应空间（这里是Graph空间）拉普拉斯算子作用在当前的状态。
基于attention的半监督GCN|论文分享.图卷积对图中节点的特征和图结构建模，本文中作者首先移除图卷积中的非线性变换，发现在GCN中起关键作用的是传播层，而不是非线知层。.然后提出AGNN模型，在传播层引入attention机制，使中心节点特征的聚合过程中...
而GCN又来源于对ChebNet的进一步简化与近似，他们都属于在频域上定义的图卷积网络。本文将对ChebNet和GCN这两个经典方法进行梳理，重点解释GCN从ChebNet的简化过程，原始论文可参考：[1]Convolutionalneuralnetworkson…
论文作者的说明该框架目前仅限于无向图（加权或不加权）。但是，可以通过将原始有向图表示为一个无向的两端图，并增加代表原始图中边的节点，来处理有向边和边特征。下一步是什么呢对于GCN，我们似乎可以同时利用节点特征和图的结构。
推导过程可以看GCN原始论文：Semi-SupervisedClassificationwithGraphConvolutionalNetworks用图卷积进行半监督分类最后，通过将卷积推广到ddd维的通道输入中的多个滤波器上，并在每一层之间用非线性激活函数的分层模型，就得到了如公式(5)所定义的GCN传播规则
GCN应该叠加几层？在论文中，作者还分别对浅层和深层的GCN进行了一些实验。在下图中，我们可以看到，使用2层或3...但是，可以通过将原始...
在GCN的原始论文[9]（2017.Semi-supervisedclassificationwithgraphconvolutionalnetworks）中，GCN的训练使用的是全批量梯度降低（fullgradientdescent），可是它的计算和内存成本很高。
发表服务