圖卷積神經網路（Graph Convolution Neural Networks, GCNNs）方法分為兩類，基於譜域的方法和基於空域的方法。基於譜域的方法通過從圖信號處理的角度引入濾波器來定義圖卷積，其中圖卷積操作被解釋為從圖信號中去除噪聲。基於空域的方法將圖卷積表示為聚合來自鄰居的特徵信息。
基本介紹
- 中文名：圖卷積神經網路
- 外文名：Graph Convolution Neural Networks
- 所屬學科：人工智慧
- 別名：圖卷積網路
定義,套用,引文網路,社交網路,化學·生物圖,計算機視覺,推薦系統,交通預測,其他,
定義
圖卷積網路 (GCN) 將卷積操作從傳統數據（圖像或格線）推廣到圖數據。關鍵是學習一個函式 f，通過聚合其自身的特徵 Xi 和鄰居的特徵 Xj 來生成節點 vi 的表示，其中 j ∈ N(vi)。
圖卷積網路在構建許多其他複雜的圖神經網路模型中發揮著核心作用，包括基於自動編碼器的模型、生成模型和時空網路等。
套用
引文網路
引文網路由論文、作者及其關係組成，例如引文、作者身份、共同作者身份。儘管引文網路是有向圖，但它們通常在評估關於節點分類、連結預測和節點聚類任務的模型性能時，將其視為無向圖。論文引用網路有三個流行的數據集，Cora、Citeseer 和 Pubmed。
社交網路
社交網路由來自線上服務（如 BlogCatalog、Reddit 和 Epinions）的用戶互動形成。 BlogCatalog 數據集是一個社交網路，由博主及其社交關係組成。博主的標籤代表了他們的個人興趣。 Reddit 數據集是由從 Reddit 論壇收集的帖子形成的無向圖。如果兩個帖子包含同一用戶的評論，則它們將被連結。每個帖子都有一個標籤，表明它所屬的社區。 Epinions 數據集是從線上產品評論網站收集的多關係圖，其中評論者可以擁有不止一種類型的關係，例如信任、不信任、核心觀點和共同評價。
化學·生物圖
化學分子和化合物可以用化學圖表示，以原子為節點，化學鍵為邊。此類圖通常用於評估圖分類性能。
計算機視覺
圖卷積神經網路的最大套用領域之一是計算機視覺。研究人員已經探索了在場景圖生成、點雲分類和分割、動作識別和許多其他方向中利用圖結構。
推薦系統
基於圖的推薦系統將項目和用戶作為節點。通過利用項目與項目、用戶與用戶、用戶與項目之間的關係以及內容信息，基於圖的推薦系統能夠產生高質量的推薦。
交通預測
交通擁堵已成為現代城市的社會熱點問題。準確預測交通網路中的交通速度、交通量或道路密度對於路線規劃和流量控制至關重要。他們模型的輸入是時空圖。在這個時空圖中，節點由放置在道路上的感測器表示，邊緣由超過閾值的成對節點的距離表示，每個節點都包含一個時間序列作為特徵。目標是預測一個時間間隔內道路的平均速度。另一個有趣的套用是計程車需求預測。這極大地幫助智慧型交通系統有效利用資源和節約能源。
其他
已經初步探索將圖卷積網路套用於其他問題，例如程式驗證、程式推理、社會影響預測、對抗性攻擊預防、電子健康記錄建模、大腦網路、事件檢測和組合最佳化。
