图卷积网络（Graph Convolutional Network, GCN）

https://zhuanlan.zhihu.com/p/67336297（论述 拉普拉斯矩阵和拉普拉斯算子的关系，以及推导公式） https://blog.csdn.net/yyl424525/article/details/100058264（超全，这个评论中提及到如何将欧式空间的图像转换成图结构，将某一个像素设置为中心节点，距离中心像素值比较近的临界像素设置为邻接节点） https://...

一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...

图神经网络（GNNs）是深度学习领域中最引人入胜且快速发展的架构之一。作为专为处理图结构数据而设计的深度学习模型，GNNs 展现出卓越的适应性和强大的学习能力。在各类 GNN 模型中，图卷积网络（GCNs）已成为最流行且应用最广泛的架构。GCNs 的创新性在于能够同时利用节点特征及其局部拓扑关系进行预测，为处理图结构数据提供了有效方法。本文将深入解析图卷积网络(GCN)层的运作机制，并阐明其内部工作原理。此外，我们将选用 PyTorch Geometric 作为工具，探讨其在节点分类任务中的实际应用。

在图神经网络出现之前，一般的神经网络只能对常规的欧式数据进行处理，其特点就是节点有固定的排列规则和顺序，如２维网格和１维序列。近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据。

基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客

通过将用户和物品表示为图的节点，并利用图卷积网络进行特征提取和分类，可以更好地捕捉用户和物品之间的复杂关系。图卷积网络的核心思想是利用邻接矩阵来描述图的拓扑结构，通过多层的图卷积操作，逐渐传播和聚合节点的信息。在每一层的图卷积操作中，通过考虑节点的邻居节点和它们之间的边的权重，将节点的特征进行更新和聚合。然而，近年来，一种新的深度学习算法——图卷积网络（Graph Convolutional Networks，GCN）逐渐崭露头角，成为了处理图数据的一种重要工具。然后，创建了一个图卷积网络模型实例​。

这是在GCN领域最经典的论文之一。我们可以根据这个GCN的图看到，一个拥有C个input channel的graph作为输入，经过中间的hidden layers，得到F个 output channel的输出。（注意本文讲的图都特指无向无权重的图。论文中采用的函数如下：刚开始看的时候，都会被吓到！这个函数未免也太抽象了。但是我们先了解一下它在起的作用，然后再从头一步一步引出这个公式，以及为什么它起到了这些作用。

GCN CNN中的卷积本质上就是共享参数的过滤器，可以较为有效地提取空间特征 而很多其他的研究中还有很多非欧拉结构的数据 1.CNN无法处理非欧拉结构的数据，传统的离散卷积在Non Euclidean Structure的数据上无法保持平移不变性 2.希望在拓扑图上有效地提取空间特征来进行机器学习 3.广义上来讲任何数据在赋范空间内都可以建立拓扑关联，因此GCN有很大的应用空间 提取拓扑图空间特征的两种方式 （1）vertex domain 把顶点相邻的点找出来 问题就变成：怎么确定相邻点，

例如：城市交通的每个路口上的传感器所记录的数据；化学分子结构；人际关系网；推荐系统中每个人构成的图等。并不是说以上的神经网络处理不了图这种类型的数据，只是在处理图这种数据上存在欠缺，图数据有一个很明显的特征，相邻或相近的节点存在一定的空间依赖关系，这种关系传统神经网络很难捕获，为此，图神经网络应运而出。一次聚合更新操作代表GCN的一层。层数是节点特征可以行进的最远距离。例如，使用 1 层 GCN，每个节点只能从其邻居那里获取信息。收集信息过程独立进行，所有节点同时进行。

1. 图卷积网络 1.1. 为什么会出现图卷积网络 普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。 然而，现实生活中很多数据不具备规则的空间结构，称为Non Euclidean data，如，推荐系统、电子交易、分子结构等抽象出来的图谱。这些图谱中的每个节点连接不尽相同，有的节点有

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自|视觉算法 1. Basic上面左图是2D卷积神经网络，其输入是4行4列的矩阵，通过卷...

掌握了GNN， 就不得不掌握GCN

图卷积网络（Graph Convolutional Network, GCN）是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络（Convolutional Neural Network, CNN），GCN能够直接在不规则的图结构上运行，而无需将其转换为规则的网格数据。在深入了解图神经网络（Graph Neural Network, GNN）之前，需要理解图的基础知识。