《Diffusion-Convolutional Neural Networks》(GNN论文阅读01)

背景

问题描述

对图数据结构进行建模

解决思路

1. 这是一篇基于空间域的图神经网络，聚合方式通过采样（hop）1~k 阶的邻居并同 self 使用 mean 的方式得到新的 feature-vector
2. 作者将不同的采样距离并聚合的特征堆叠成一个矩阵，这个矩阵才是最终一个 node(or graph/edge) 的 feature-representation

模型详情

输入：拓扑图（节点个数为n），以及节点的数据（维度为m） 建模：对图进行聚合，加入聚合h次，得到聚合的矩阵为,转化为矩阵的大小为（n,m,h) 得到结构化数据之后进行分类。 输出：节点分类或者回归 建模过程示例： 1.输入数据如下：

image.png

2.对每个节点进行信息聚合操作，也就是H-hop操作：

image.png

1-hop操作就是对结点相邻节点的值进行求均值*参数。

3.得到（n,m）的矩阵，进行对此n-hop

image.png

4.最终得到矩阵如下：（n,m,h)

image.png

5.将矩阵进行其他操作（卷积，全连接，分类）