Graph Convolutional Networks
2018-01-16 19:35:17
this Tutorial comes from YouTube Video：https://www.youtube.com/watch?v=0_O8PdZBc5s&t=2097s
之所以这个方面的研究会吸引人，是因为这个东西可以将很多知识联系起来。现实生活中，有很多东西都可以应用的到，如：
上图展示了现有的 CNN 模型，在对图像进行处理时，利用局部的卷积核进行卷积操作时，进行的加权过程。
可以看到，再对每一个像素点进行处理的时候，大致经过如下的几个步骤：
1. 利用权重 w 和 其近邻像素点，都进行加权；
2. 将这些加权后的 value，加和处理；
3. 对得到的结果进行非线性处理；
但是，利用传统的 CNN 模型，无法直接进行 Graph 数据的处理，是因为图像的像素点 和 graph类型的数据 ，这是两种不同 style 的数据：
对于 Graph 结构的数据，我们有 边、顶点 以及 邻接矩阵A，
我们希望我们的模型可以训练时间有限，并且 在输入的 graph 改变了的情况下，依然可以使用。
一种比较 naive 的方法就是，直接将邻接矩阵A 和 特征矩阵 X，输入到 NN 中进行训练。
那么，这么做的话，会出现什么问题呢？
1. 参数巨多；
2. 如果 graph 结构发生改变，就需要重新训练了。
GCN with 1-order message passing：
GCN 模型的结构如上图所示。该网络的输入是：feature matrix X 和 处理之后的 邻接矩阵 A。
那么这个过程完成了一件什么事情呢？？？
有了上述的 GCNs 网络，我们可以将其用于半监督的分类问题。
