背景
问题描述
对图数据结构进行建模
解决思路
- 这是一篇基于空间域的图神经网络，聚合方式通过采样（hop）1~k 阶的邻居并同 self 使用 mean 的方式得到新的 feature-vector
- 作者将不同的采样距离并聚合的特征堆叠成一个矩阵，这个矩阵才是最终一个 node(or graph/edge) 的 feature-representation
模型详情
输入：拓扑图（节点个数为n），以及节点的数据（维度为m）
建模：对图进行聚合，加入聚合h次，得到聚合的矩阵为,转化为矩阵的大小为（n,m,h)
得到结构化数据之后进行分类。
输出：节点分类或者回归
建模过程示例：
1.输入数据如下：
image.png
2.对每个节点进行信息聚合操作，也就是H-hop操作：
image.png
1-hop操作就是对结点相邻节点的值进行求均值*参数。
3.得到（n,m）的矩阵，进行对此n-hop
image.png
4.最终得到矩阵如下：（n,m,h)
image.png
5.将矩阵进行其他操作（卷积，全连接，分类）
资料链接
代码：https://github.com/jcatw/dcnn
论文：https://proceedings.neurips.cc/paper/2016/file/390e982518a50e280d8e2b535462ec1f-Paper.pdf
参考博文：https://www.cnblogs.com/KongHuZi/p/13166639.html
