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

在SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS中，GCNConv是一种图卷积操作。GCNConv的传播公式可以表示为：

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

其中：

• $H^{(l)}$是第$l$层的节点特征矩阵，$H^{(0)}$为输入特征矩阵；
• $\tilde{A} = A + I$是邻接矩阵$A$和自连接矩阵$I$的和，其中$A$表示图的邻接矩阵；
• $\tilde{D}$是度矩阵，定义为$\tilde{D}{ii} = \sum_j \tilde{A}{ij}$；
• $W^{(l)}$是第$l$层的权重矩阵；
• $\sigma(\cdot)$表示激活函数，通常使用ReLU函数。

GCNConv通过邻接矩阵$A$来传播节点特征，通过邻接矩阵的归一化和权重矩阵的乘法来实现。该传播公式基于Graph Convolutional Networks (GCN)的思想，通过聚合邻居节点的特征来更新每个节点的特征表示。这样，每个节点的特征将考虑其邻居节点的信息，从而更好地捕捉图结构中的相关性。