1.《Semi-Supervised Classification with Graph Convolutional Networks》

作者提出了一種可擴展的方法，用于圖形結構數據的半監督學習，該網絡是傳統卷積算法在圖結構數據上的一個變體，可以直接用于處理圖結構數據，通過譜圖卷積的局部一階近似來激勵卷積結構。模型在圖形邊緣的數量上進行線性縮放，并學習隱藏層表示，編碼圖形結構和節點的特征。

2 圖

作者考慮在圖形（例如引文網絡）中對節點（例如文檔）進行分類的問題，其中標簽僅可用于一小部分節點，這個問題可以被構建為基于圖的半監督學習，其中標簽信息通過某種形式的顯式基于圖的正則化在圖上平滑，例如通過在損失函數中使用圖拉普拉斯正則化項

3 關于圖的快速近似卷積

在本節中，作者為特定的基于圖形的神經網絡模型

提供理論動機，我們將在本文的其余部分中使用它。我們考慮使用具有以下分層傳播規則的多層圖形卷積網絡（GCN）：

3.2 光譜圖形卷積

從本質上說，GCN是譜圖卷積的一階局部近似。那么，什么是譜圖卷積呢？

首先來看圖上的譜卷積。圖上的譜卷積可以定義為信號

與濾波器 （ ）在傅里葉域的乘積：

3.3 層次線性模型

近似的譜圖卷積雖然可以建立起

階鄰居的依賴，然而，卻仍然需要在 上進行 階運算。在實際過程中，這一運算的代價也是非常大的。為了降低運算代價，本文進一步簡化了該運算，即限定 。此時，譜圖卷積可以近似為 （或 ）的線性函數。

當然，這樣做的代價是，只能建立起一階鄰居的依賴。對于這一問題，可以通過堆積多層圖卷積網絡建立

階鄰居的依賴，而且，這樣做的另一個優勢是，在建立 階鄰居的依賴時，不需要受到切比雪夫多項式的限制。

為了進一步簡化運算，在GCN的線性模型中，本文定義

。此時，我們可以得到圖譜卷積的一階線性近似：

總結

以上是生活随笔為你收集整理的半监督分类算法_用图网络进行半监督分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。