こんにちはGCN

参考リンク：https://www.zhihu.com/question/54504471/answer/611222866

1ラプラス行列

参考リンク：http://bbs.cvmart.net/articles/281/cong-cnn-dao-gcn-de-lian-xi-yu-qu-bie-gcn-cong-ru-men-dao-jing-fang -tong、チー
D = L - A、Aは、隣接行列であり、Dは、頂点度の対角行列であり、Lはラプラシアン行列であります

カテゴリー1.1ラプラス行列

図3畳み込みパラメータ

参考リンク：http://bbs.cvmart.net/articles/281/cong-cnn-dao-gcn-de-lian-xi-yu-qu-bie-gcn-cong-ru-men-dao-jing-fang -tong、チー
その第1、畳み込み描画式、式対角行列で畳み込みトレーニングパラメータマップを、二つのバージョンが、ためにその欠点の簡単な思考の最初のバージョンでGCNの訓練で使用することはありません、今ほとんど第二のバージョンを使用します

図3.1第一世代の畳み込みトレーニング

1. 対角線としてパラメータ値の直接対角行列
2. これは、活性化関数を表し、
3. これは、入力ベクトルを表し、
利点
1. ラプラシアン行列方程式を除去する分解され、式の中間体が見出さ、もはや計算式の分解を必要としない、ラプラシアン行列は、計算量を減少させる、直接使用することができ
2. 少数のパラメータ

図3.2第二世代のコンボリューショントレーニング

1. 変換され、およびパラメータのいずれかが、必要とされる、すなわち、エッジ重みを初期化します
2. ラプラシアン行列の手段によってUとを与えるために、簡略化を特徴とします
  1. 1. Lはラプラス行列を表します。
    2. Kは、隣人の頂点を順番の頂点を表し、
    3. Xは、例えば、グレースケールのイメージを理解するために、入力特性を表します
      1. 即ち、画像が配置されている画像の形状が同様であるので、人間の設計を必要としない図グリッド構造は、各ボックスは、図の頂点です。
      2. 前記各頂点の画素値が、即ち、唯一の構造の一般的な見解では、特徴の値ベクトル頂点
      3. これは、エッジの重みが、また、訓練の必要性と最適化のネットワークパラメータを表し、

3.3コンボリューションは、図に示します。

GCNすべての頂点の各コンボリューションは、図示の操作を完了しました

4 GCN分類の効果

図は、以下の構造
分類の結果である中間ノードの機能のコンボリューションによって入力PAGEID、IP、UA、デバイスID、ユーザID、
比較的GBDTと比較して、より良いです

5 畳み込みネットワークのトポロジ

参考リンク：https://mp.weixin.qq.com/s/356WvVn1Tz0axsKd8LJW4Q
トポロジー
1. CNNなどは、各層は次の層伝達関数（ReLU、シグモイドなど）を活性化することによって得られたコンボリューションの結果を介して、積層重畳され
2. 必ずしもすべての頂点は、新機能が、近い選択した頂点の中心にコンボリューションを再計算する必要があります
3. 図では、構造は、図には示されていない、また右側には重みを表すが、画像内の各頂点に対応する特徴ベクトルは、各頂点に対応する、すなわち、画素値、スカラーであります
4. 図のパラメータ3の畳み込みは、式の明確な表現に回すときに使用中の式のパラメータ図畳み込み、畳み込み式図第二世代に言及しました
  1. 1. これは、正規化係数を表し、
    2. Hは、各頂点の特徴ベクトルの層を表す寸法NXF、Nは、頂点の数を示し、Fは、特徴ベクトルの次元を表します
    3. Wは、エッジ重みを表します
    4. 式の定性的理解
      1. 頂点を削除するため、超過した場合に数近隣、化粧ダム頂点の数未満である場合、近傍を決定するために、頂点Vを選択
      2. 特徴ベクトル近傍の頂点を得る、残りの縁部（重量）の頂点Vは新しい次元特徴ベクトルを与えるために、添加し、次いで乗算され
      3. 大規模な変更を防止すること、得られた結果を標準化しました
5. 図畳み込み機能

おすすめ