圖卷積網路（Graph Convolutional Network）
一. 圖簡介，圖卷積網路的出現。
圖（graph）是一種資料格式，它可以用於表示社交網路、通訊網路、蛋白分子網路等，圖中的節點表示網路中的個體，連邊表示個體之間的連線關係。許多機器學習任務例如社團發現、鏈路預測等都需要用到圖結構資料，因此圖卷積神經網路的出現為這些問題的解決提供了新的思路。下圖就是一個簡單的圖結構資料：
二. 圖卷積網路的卷積方式
圖上的卷積網路從卷積方式上可以分為兩種：1.譜（spectral）卷積，2.空間域卷積。Thomas Kpif的這篇論文就是屬於譜卷積，即將卷積網路的濾波器與圖訊號同時搬移到傅立葉域以後進行處理。而Mathias Niepert的論文Learning Convolutional Neural Networks for Graphs
三.圖卷積網路的理論推導
四.附言
近些年關於非歐幾里德域的資料（圖就屬於非歐資料）如何處理的文章一大堆，現如今有幾個概念很火：圖嵌入（graph embedding）、網路嵌入（network embedding）、網路表示學習（network representation learning），這三個概念從原理上來說其實表達的是同一件事，核心思想就是“通過深度學習技術將圖中的節點（或邊）對映為向量空間中的點，進而可以對向量空間中的點進行聚類、分類等處理”。圖卷積神經網路就屬於圖嵌入技術的一種，感興趣的可以對圖嵌入領域進行深入瞭解，你會發現寶藏不斷：
本文為原創內容，歡迎轉載、分享，請務必註明出處。
相關推薦
圖卷積網路（Graph Convolutional Network）
一. 圖簡介，圖卷積網路的出現。 圖（graph）是一種資料格式，它可以用於表示社交網路、通訊網路、蛋白分子網路等，圖中的節點表示網路中的個體，連邊表示個體之間的連線關係。許多機器學習任務例如社團發現、鏈路預測等都需要用到圖結構資料，因此圖卷積神經網路的出現為這些問題的解決
圖卷積樣例 graph convolution network
來源：如何用圖卷積網路在圖上做深度學習 Graph Neural Network Review 傅立葉分析之掐死教程（完整版）更新於2014.06.06 如何理解 Graph Convolutional Network（GCN）？ graph convolution network有
【GCN】圖卷積網路初探——基於圖（Graph）的傅立葉變換和卷積
本文為從CNN到GCN的聯絡與區別——GCN從入門到精（fang）通（qi）的閱讀筆記，文中絕大部分公式和圖片摘自原文。 文章目錄 一、CNN（卷積神經網路）中的離散卷積 二、GCN基本概念介紹 （一）圖Grap
論文解讀|【Densenet】密集連線的卷積網路（附Pytorch程式碼講解）
@[t oc] 1 簡單介紹 論文題目：Densely Connected Convolutional Networks 發表機構：康奈爾大學，清華大學，Facebook AI 發表時間：2018年1月 論文程式碼：https://github.com/Wang
【GCN】圖卷積網路的半監督學習脈絡
1、入門： 知乎回答：從CNN到GCN的聯絡與區別——GCN從入門到精（fang）通（qi） 2、論文閱讀： 論文地址：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 論文翻譯1：圖卷積神經網路的半監督
轉：全卷積網路（FCN）與影象分割
學習收藏。 從影象分類到影象分割 卷積神經網路（CNN）自2012年以來，在影象分類和影象檢測等方面取得了巨大的成就和廣泛的應用。 CNN的強大之處在於它的多層結構能自動學習特徵，並且可以學習到多個層次的特徵：較淺的卷積層感知域較小，學習到一些區域性區域的特徵；較深
從多層感知器到卷積網路（二）
上一篇中，我們講解了什麼是MLP以及如何訓練得到一個MLP，讀者大概對神經網路有一定的印象了。我們總說，好戲在後頭，接下來這一大塊頭，我們將重點介紹卷積網路。 何謂卷積 單憑卷積這一個稱號大概可以嚇死一半的普通老百姓了。一開始接觸卷積網路的時候，我就差點
FCN（Fully Convolutional Network）與Unet：談到語義分割不得不提的兩個網路
語義分割經典之作：FCN（Fully Convolutional Network） 參考論文：Fully Convolutional Networks for Semantic Segmentation. Jonathan Long ,Evan Shelhamer ,T
最全面的圖卷積網路GCN的理解和詳細推導，都在這裡了!
[toc] ## 1. 為什麼會出現圖卷積神經網路？ 普通卷積神經網路研究的物件是具備Euclidean domains的資料，Euclidean domains data資料最顯著的特徵是他們**具有規則的空間結構**，如圖片是規則的正方形，語音是規則的一維序列等，這些特徵都可以用一維或二維的矩陣來表示，
深度學習--深度信念網路（Deep Belief Network）
本篇非常簡要地介紹了深度信念網路的基本概念。文章先簡要介紹了深度信念網路（包括其應用例項）。接著分別講述了：(1) 其基本組成結構——受限玻爾茲曼機的的基本情況，以及，(2) 這個基本結構如何組成深度信念網路。 本文僅僅能使讀者瞭解深度信念網路這一概念，內容非常淺顯，甚至有許多不嚴密
學習筆記之——基於pytorch的殘差網路（deep residual network）
本博文為本人學習pytorch系列之——residual network。 前面的博文（ 學習筆記之——基於深度學習的分類網路）也已經介紹過ResNet了。ResNet是2015年的ImageNet競賽的冠軍，由微軟研究院提出，通過引入residual block能夠成功地訓練高達
深度可分離卷積結構（depthwise separable convolution）計算複雜度分析
這個例子說明了什麼叫做空間可分離卷積，這種方法並不應用在深度學習中，只是用來幫你理解這種結構。 在神經網路中，我們通常會使用深度可分離卷積結構（depthwise separable convolution）。 這種方法在保持通道分離的前提下，接上一個深度卷積結構，即
RBM（受限玻爾茲曼機）和深層信念網路（Deep Brief Network）
目錄： 一、RBM 二、Deep Brief Network 三、Deep Autoencoder 一、RBM 1、定義【無監督學習】 RBM記住三個要訣：1）兩層結構圖，可視層和隱藏層；【沒輸出層】2）層內無連線，層間全連線；3）二值狀態值，
ABCnet——高精度二值化網路（Binary Neural Network）
"Towards Accurate Binary Convolutional Neural Network"這篇文章提出了ABCnet，是一種表示精度較高的二值化網路結構（作為XNORnet的演進）。有關XNORnet及其優勢可以參考論文："XNORNet: ImageNet
深度神經網路（Deep Neural Network）
dZ[l]=dA[l]∗g[l]′(Z[l])dW[l]=1mdZ[l]⋅A[l−1]db[l]=1mnp.sum(dZ[l],axis=1,keepdims=True)dA[l−1]=W[l]T⋅dZ[l]
邏輯、集合運算上的卷積一覽（FMT、FWT,……）
\oplus=\and,\or,\veebar 簡介 對於邏輯\(\oplus\)的卷積，而且你不能N方豹草 \[ A_k=\sum_{i\oplus j=k} B_i\times C_k\\ \] 那麼嘗試構造變換\(F_{\oplus}\)和反演\(F_{\oplus}^{-1}\)使滿足 \[ F_{\
Convolution Network及其變種（反卷積、擴展卷積、因果卷積、圖卷積）
connected lte 理論 圖像處理 val 場景 了解 tput 實驗 今天，主要和大家分享一下最近研究的卷積網絡和它的一些變種。 首先，介紹一下基礎的卷積網絡。 通過PPT上的這個經典的動態圖片可以很好的理解卷積的過程。圖中藍色的大矩陣是我們的輸入，黃色的小
DeepLearning.ai作業:(4-2)-- 深度卷積網路例項探究（Deep convolutional models:case studies）
title: ‘DeepLearning.ai作業:(4-2)-- 深度卷積網路例項探究（Deep convolutional models:case studies）’ id: dl-ai-4-2h tags: dl.ai homework categories:
DeepLearning.ai筆記:(4-2)-- 深度卷積網路例項探究（Deep convolutional models:case studies）
title: ‘DeepLearning.ai筆記:(4-2)-- 深度卷積網路例項探究（Deep convolutional models:case studies）’ id: dl-ai-4-2 tags: dl.ai categories: AI Deep
從圖(Graph)到圖卷積(Graph Convolution)：漫談圖神經網路模型 (一)
本文屬於圖神經網路的系列文章，文章目錄如下： 從圖(Graph)到圖卷積(Graph Convolution)：漫談圖神經網路模型 (一) 從圖(Graph)到圖卷積(Graph Convolution)：漫談圖神經網路模型 (二) 從圖(Graph)到圖卷積(Graph Convolution)：漫談圖神