本文内容来自学习终于有人总结了图神经网络心得
1. 单层GCN网络:
%7C%7D%20%5Csum_%7Bu%20%5Cin%20%5Cmathcal%7BN%7D(v)%7D%20W%20x_u%2Bb%5Cright)%2C%20%5Cquad%20%5Cforall%20v%20%5Cin%20%5Cmathcal%7BV%7D)
-
表示神经元或节点 
的输出或激活。
-
是应用于其参数内部的激活函数。
-
%7D)
表示节点 的相邻节点或神经元的集合
-
是集合 的一个元素，这意味着它代表节点 的一个相邻节点。
-
代表权重矩阵。
-
代表相邻节点 的输出或激活。
-
是偏置项。
分解过程
对于节点 的每个相邻节点 , 使用权重矩阵 计算 
的加权和。
%7D%20W%20x_u)
将偏置项 加入到加权和中。
%7D%20W%20x_u%20%2B%20b)
通过将加权和除以相邻节点数 %7C%7D)
来计算步骤2的结果的平均值。
%7C%7D%20%5Csum_%7Bu%20%5Cin%20%5Cmathcal%7BN%7D(v)%7D%20W%20x_u%2Bb)
4.对步骤3的结果应用激活函数 以获取最终输出 。
%7C%7D%20%5Csum_%7Bu%20%5Cin%20%5Cmathcal%7BN%7D(v)%7D%20W%20x_u%2Bb%5Cright))
举例步骤1
假设我们有一个神经网络，其中节点 有三个相邻节点
，
和 
。
它们的自身特征值分别是 
， 
和 
。
它们对应的权重居中 分别是 
， 
和 
。
