文章目录
-
-
- 1. 为什么会出现图卷积神经网络?
- 2. 图卷积网络的两种理解方式
-
- 2.1 vertex domain(spatial domain):顶点域(空间域)
- 2.2 spectral domain:频域方法(谱方法)
- 3. 什么是拉普拉斯矩阵?
-
- 3.1 常用的几种拉普拉斯矩阵
-
- 普通形式的拉普拉斯矩阵
- 对称归一化的拉普拉斯矩阵(Symmetric normalized Laplacian)
- 随机游走归一化拉普拉斯矩阵(Random walk normalized Laplacian)
- 泛化的拉普拉斯 (Generalized Laplacian)
- 3.2 无向图的拉普拉斯矩阵有什么性质
- 3.3 为什么GCN要用拉普拉斯矩阵?
- 3.4. 拉普拉斯矩阵的谱分解(特征分解)
- 3.5 拉普拉斯算子
- 4. 如何通俗易懂地理解卷积?
-
- 4.1 连续形式的一维卷积
- 4.2 离散形式的一维卷积
- 4.3 实例:掷骰子问题
- 5. 傅里叶变换
-
- 5.1 连续形式的傅立叶变换
- 5.2 频域(frequency domain)和时域(time domain)的理解
- 5.3 周期性离散傅里叶变换(Discrete Fourier Transform, DFT)
- 6. Graph上的傅里叶变换及卷积
-
- 6.1 图上的傅里叶变换
- 6.2 图的傅立叶变换——图的傅立叶变换的矩阵形式
- 6.3 图的傅立叶逆变换——图的傅立叶逆变换的矩阵形式
- 6.4 图上的傅里叶变换推广到图卷积
- 7. 为什么拉普拉斯矩阵的特征向量可以作为傅里叶变换的基?特征值表示频率?
-
- 7.1 为什么拉普拉斯矩阵的特征向量可以作为傅里叶变换的基?
- 7.2 怎么理解拉普拉斯矩阵的特征值表示频率?
- 8. 深度学习中GCN的演变
-
- 8.1 Spectral CNN
- 8.2 Chebyshev谱CNN(ChebNet)
- 8.3 CayleyNet
- 8.4 一阶ChebNet(1stChebNet)-GCN
-
- GCN的优点
- GCN的不足
- 9. GCN的一些改进
-
- 9.1 邻接矩阵的探索
-
- Adaptive Graph Convolution Network (AGCN)
- Dual Graph Convolutional Network(DGCN)
- 9.2 空间域的GCNs(ConvGNNs)
-
- Neural Network for Graphs (NN4G)
- Contextual Graph Markov Model (CGMM)
- Diffusion Convolutional Neural Network (DCNN)扩散卷积神经网络
- Diffusion Graph Convolution(DGC) 扩散图卷积
- PGC-DGCNN
- Partition Graph Convolution (PGC)
- Message Passing Neural Networks (MPNN) 信息传递神经网络
- Graph Isomorphism Network (GIN) 图同构网络
- GraphSage
- Graph Attention Network (GAT)图注意力网络
- Gated Attention Network (GAAN)-门控注意力网络
- Mixture Model Network (MoNet)
- PATCHY-SAN
- Large-scale Graph Convolution Networks (LGCN)
- GraphSAGE
- FastGCN
- AS-GCN
- StoGCN(或VR-GCN)
- Cluster-GCN
- 复杂度对比
- 10. GCN的一些应用
- 11. GCN代码分析和数据集Cora、Pubmed、Citeseer格式
- 12. 从空间角度理解GCN
- 13. GCN处理不同类型的图
-
- 关于带权图问题
- 关于有向图问题
- 节点没有特征的图
- 14. 问题讨论
-
- Q1:GCN中邻接矩阵为什么要归一化?
- Q2:GCN中邻接矩阵为什么要renormalization?
- Q3:GCN中参数矩阵W的维度如何确定?怎么理解GCN是transductive的?
- Q4:为什么GCN里使用NELL数据集相比于其他三个的分类准确率这么低?
- Q5:目前GCN的分类准确率仅为80%左右,如何提高GCN在Citeseer、Cora、Pubmed、Nell上的分类准确率?
- Q6:增加GCN层数,为何准确率还降低了?
- 资料下载
- 参考
-

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/82746.html