摘要
图结构数据上进行半监督学习的可拓展方法。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 谱图卷积的局部一阶近似 来激励我们选择 卷积结构。我们的模型在 图边 上的数量（number of graph edges）上线性缩放，并且学习隐藏层表示（其encode 局部图结构 和 结点特征）。
Introduction
我们考虑对 图（如，citation network 引用网络）中的结点（如，documents文档）进行分类的问题，其中 标签 只对一小部分结点可用。
这个问题，可以被构建为 基于图的半监督学习，其中 标签信息 通过某种形式的基于图的 显式正则化 在图上平滑，如，在loss中使用正则化：
(L_0) 表示图中标记部分的 监督损失。f(·) 可以是类似神经网络的可微函数
公式1依赖于图中连接的节点可能共享相同标签的假设。然而，这种假设可能会限制建模能力，因为图边不一定需要 编码 节点相似性，但可能包含附加信息。
在这项工作中，我们直接使用 神经网络模型f(X，A) 对图结构进行编码，并在监督目标 (L_0) 上对所有带标签的节点进行训练，从而 避免损失函数 中 基于图的显式正则化（graph-based regularization ）。
首先，我们直接作用于 图的神经网络 引入一个简单且性能良好的 layer-wise propagation rule（分层传播规则），并展示了它是如何从谱图卷积的一阶近似得到的。
2. 图的快速近似卷积（Fast Approximate Convolutions on Graphs）
GCN 具有如下逐层传播规则：
