GCN
的一个隐藏层可以写成
H
i
=f(H
i-1
,A),
其中
H
0
=X
并且
f
是一个
propagation
。每
层
H
i
对应一个
N×F
i
的特征矩阵，矩阵的每行是一个节点的特征表示。在每层，这些特征
通过
propagation rule f
聚合起来形成下一层的特征。通过这种方式，特征变得越来越抽
象在每一层。在这个框架中，
GCN
的各种变体仅仅是在
propagation rule f
的选择上有
不同。
一个简单的
Propagation Rule
一个可能最简单的传播规则是：
f(H
i
,A)=σ(AH
i
W
i
)
其中 W
i
是第 i 层的权重并且σ是一个非线性激活函数例如 ReLU 函数。权重矩阵的维度是
F
i
×F
i+1
；也就是说权重矩阵的第二个维度决定了在下一层的特征的数目。如果你对卷积神
经网络熟悉，这个操作类似于
filtering operation
因为这些权重被图上节点共享。
可以简单表示为
来自
<https://aistudio.baidu.com/aistudio/projectdetail/340225>
