Paper：基于图卷积神经网络（Graph Convolutional Networks GCN）的半监督分类

本文为“SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS”， 作者ThomasN.Kipf。

本文是基于谱的图卷积网络用来解决半监督学习的分类问题，输入为图的邻接矩阵A，和每一个节点的特征向量H

本问对应的代码为 https://github.com/tkipf/gcn.

半监督学习主要是cross entropy 损失函数的使用，让只用部分样本也能达到在全部样本的作用下更新参数的效果。

1. 图上谱卷积

A为邻接矩阵， ，D为矩阵A的对角矩阵，，H^l _{为当前层输入，H^(l+1)为当前层输出。}

 我们定义图上的谱卷积为： 一个信号X  乘以 一个过滤器 g_theta = diag(theta)， 这个过滤器含有傅里叶阈内的参数theta。

。

 2. 例子

假设我们使用一个两层的GCN的半监督节点分类，假设输入为对称的邻接矩阵A（整数或者小数都行），每个结点的特征向量X.(最好邻接矩阵里面的信息不包含在data X中)

以一个两层的GCN为例子。

 首先计算， 其中A~为A+I， I为单位矩阵， D为A~的对角矩阵。

 

两层的更新，第一层用Relu更新，第二层用softmax激活函数。

 

 正向传播使用所有的样本， 损失函数用cross-entropy error, 损失函数计算只使用所有label部分，反向传播使用梯度下降。 

因为正向传播使用所有的样本，而计算cross function 只使用了label部分，而在反向传播的时候，做梯度下降的时候又使用了所有的样本的值做更新，所以叫做半监督学习。

其中只有coss function使用了label样本。

半监督学习主要是cross entropy 损失函数的使用，让只用部分样本也能达到在全部样本的作用下更新参数的效果。

 Cross entropy 的计算公式。

 3. 基于图的表示的半监督学习（semi-supervised learning using graph representations）

主要分为两类：

（1）基于图拉普拉斯正则化的方法

（2）Graph embedding-based 方法

4. Node embeddings with random weight

著名的Zachary的空手道俱乐部的例子，使用3层GCN模型， 每层使用随机权重。

由下图可以看到，随机的权重值也可以给点很好的分开，非常的神奇。