【[GCN]semi-supervised classification with graph convolutional networks】

最新推荐文章于 2026-05-14 17:18:20 发布

原创

最新推荐文章于 2026-05-14 17:18:20 发布 · 943 阅读

本文提出了一种基于图卷积网络（GCN）的半监督学习方法，用于图结构数据的分类。GCN通过局部一阶近似进行谱图卷积，学习节点的隐藏层表示，同时考虑了图的局部结构和节点特征。实验显示，GCN在引文网络和知识图数据集上表现出优越的性能，优于现有方法，并且计算效率高。

SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

在这里插入图片描述

一、 ABSTRACT

提出了一种可扩展的图结构数据的半监督学习方法，该方法基于直接在图上操作的卷积神经网络的有效变体。
通过光谱图卷积的局部一阶近似来激发我们的卷积体系结构的选择。我们的模型在图边的数量上呈线性扩展，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集上的许多实验中，我们证明了我们的方法显著优于相关方法。

二、INTRODUCTION

图（如引文网络）中对节点（如文档）进行分类的问题，其中标签只适用于节点的一个小子集。这个问题可以被定义为基于图的半监督学习，其中标签信息通过某种形式的显式基于图的正则化在图上进行平滑。
例如在损失函数中使用图拉普拉斯正则化项
在这里插入图片描述
l0表示监督损失w.r.t.图中标记的部分，f（·）可以是一个神经网络类可微函数，λ是一个权重因子，X是一个节点特征向量Xi的矩阵。∆= D -A表示无向图G =（V，E）的非标准化图拉普拉斯行列式，有N个节点vi∈V，边（vi，vj）∈E，一个邻接矩阵A∈RN×N（二进制或加权）和一个度矩阵Dii = Pj Aij。等式的配方1依赖于图中连接的节点可能共享同一个标签的假设。