本文內(nèi)容來自學(xué)習(xí)終于有人總結(jié)了圖神經(jīng)網(wǎng)絡(luò)心得
相比于上一篇文章(一) GCN網(wǎng)絡(luò)。本文介紹多層GCN網(wǎng)絡(luò)
多層GCN網(wǎng)絡(luò)
分解過程不在贅述，詳細過程看上一篇。
1. 多層 GCN：
- 在單一層 GCN 中，使用了單層GCN方程來計算節(jié)點
的輸出
，這個輸出是基與其一節(jié)鄰居節(jié)點的特征進行聚合和線性變換得到的。
- 現(xiàn)在，上述的方程是多層GCN中的一層。這表示可以堆疊多個類似的層以構(gòu)建深層的圖卷積網(wǎng)絡(luò)。在每一層中，我們使用相同的方式對節(jié)點特征進行聚合和線性變換，但是每一層可以具有不同的權(quán)重矩陣
和偏置項
。
- 在多層GCN中，每一層的輸出
會成為下一層的輸入
，因此信息可以在多個層之間傳遞和變換。
2. K-hop鄰居節(jié)點的意義：
- "K-hop"中的"K"表示跳數(shù)或?qū)訑?shù)。在圖卷積網(wǎng)絡(luò)中，K-hop鄰居節(jié)點表示從一個節(jié)點出發(fā)，經(jīng)過K條邊可以到達的所有節(jié)點。
例如:
其中有五個節(jié)點(A、B、C、D 和 E):
A -- B
| |
C -- D -- E
如果我們考慮節(jié)點 A 的 1-hop 鄰居，那么這包括與節(jié)點 A 直接連接的節(jié)點，也就是 B 和 C。所以，A 的 1-hop 鄰居是 {B, C}。
如果我們考慮節(jié)點 A 的 2-hop 鄰居，這包括 A 的 1-hop 鄰居的鄰居。所以，A 的 2-hop 鄰居是 {B, C, D}。
