在SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS中gcnconv卷积核的传播公式详细讲解

在SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS中，GCNConv是一种基于图卷积神经网络（Graph Convolutional Networks, GCN）的卷积核。GCNConv的传播公式如下：

\begin{equation} H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)}) \end{equation}

其中，$H^{(l)}$表示第$l$层的特征矩阵，$\sigma(\cdot)$表示激活函数，$\tilde{A}$表示邻接矩阵$A$加上自环的版本，$\tilde{D}$表示对角度量矩阵，$W^{(l)}$表示第$l$层的权重矩阵。

下面对该传播公式进行详细解释：

1. 邻接矩阵$A$表示图的连接关系，其中$A_{ij}=1$表示节点$i$和节点$j$之间存在边，$A_{ij}=0$表示不存在边。为了将自环（self-loop）考虑进去，邻接矩阵$A$被修改为$\tilde{A}=A+I$，其中$I$表示单位矩阵。

2. 对角度量矩阵$\tilde{D}$是一个对角矩阵，其对角线元素$\tilde{D}{ii}$表示节点$i$的度数（即与节点$i$相连的边的数量）。而$\tilde{D}{ii}$的倒数$\tilde{D}_{ii}^{-\frac{1}{2}}$表示节点$i$的度数的倒数的平方根。通过这样的归一化操作，可以将节点特征与节点度数进行统一处理。

3. $H^{(l)}$表示第$l$层的特征矩阵，其中每一行对应于一个节点的特征表示。在第$l$层，GCNConv的输入特征为$H^{(l)}$，通过GCNConv的传播公式，可以得到第$l+1$层的特征矩阵$H^{(l+1)}$。每一层的特征矩阵都可以看作是对节点特征的一个新的表示。

4. $W^{(l)}$表示第$l$层的权重矩阵，用于对输入特征进行线性变换。通过将输入特征$H^{(l)}$与权重矩阵$W^{(l)}$相乘，可以得到对输入特征的线性变换结果。

5. 传播公式中的$\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}$表示对邻接矩阵进行归一化的操作。首先，将邻接矩阵$\tilde{A}$与度数归一化矩阵$\tilde{D}^{-\frac{1}{2}}$相乘，得到一个中间结果。然后，再将这个中间结果与度数归一化矩阵$\tilde{D}^{-\frac{1}{2}}$相乘，得到最终的传播结果。这个过程实际上是在对邻接矩阵进行拉普拉斯归一化（Laplacian normalization），用于将节点特征在图结构上进行传播。

6. $\sigma(\cdot)$表示激活函数，用于引入非线性变换。在GCNConv中，通常使用ReLU作为激活函数。

综上所述，GCNConv的传播公式可以看作是对输入特征进行一系列线性变换、归一化和激活函数的操作，以实现节点特征在图结构上的传播。通过多层的GCNConv操作，可以逐渐提取出更高层次的特征表示，从而完成半监督分类任务。