图卷积网络 GCN Graph Convolutional Network(谱域GCN)的理解和详细推导

图卷积网络 GCN Graph Convolutional Network(谱域GCN)的理解和详细推导文章目录 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

大家好,我是讯享网,很高兴认识大家。


讯享网

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
小讯
上一篇 2025-01-25 08:56
下一篇 2025-04-08 23:23

相关推荐

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