GCNエントリ

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

1つのラプラス行列

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
L = D - 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は、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のトレーニングは今、主に、もはや使用されません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. 見出さ式の中間体は、ラプラシアン行列方程式を除去分解され、もはや計算式の分解に必要な、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ません
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、パラメータのいずれかが、必要とされる特徴、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Uおよび特徴簡略化により、精製し
  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. 図グリッド構造、すなわち、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せず、各ボックスは、図2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、ネットワークパラメータを訓練し、最適化する必要性を表しています

3.3コンボリューションは、図に示します。

すべての頂点の各コンボリューションが示す動作を完了したGCN

4 GCN分類の効果

図は、以下の構造
入力PAGEID、IP、UA、デバイスID、ユーザIDは、中間ノードの機能のコンボリューションによって、その分類の結果であります
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

参照リンク：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、コンボリューションの新機能を再計算が、選択した頂点の中心部に近くなければなりません
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3の畳み込みのパラメータを挙げる式のパラメータ図畳み込み、使用中のコンボリューション式図第二世代は、式の明確な表現に変わったとき
  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、寸法NXFの層を表し、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. 機能を得ることは新しい次元特徴ベクトルを与えるために、残りの縁部（重量）の頂点Vを添加した後、乗算され、近傍の頂点ベクトル
      3. 大規模な変更を防止すること、得られた結果は正規化しました
5. 図畳み込み機能

おすすめ