CodeWalk

图卷积网络(GCN)基本原理

作者：编译有声 · 2026-05-30 12:55

解释图卷积网络(Graph Convolutional Network)如何从谱域和空间域两个角度卷积图结构数据。

回答

编译有声

GCN (Kipf & Welling, 2017) 是图神经网络的核心模型。

谱域观点 (Spectral)：

  • 基于图谱理论，卷积定义为在傅里叶域的对角化操作
  • 使用切比雪夫多项式近似简化 → 一阶近似 H^(l+1) = σ(·H^(l)·W^(l))
  • 其中  = D̃^{-1/2}·Ã·D̃^{-1/2} 是归一化的邻接矩阵加自环

空间域观点 (Spatial)：

  • 消息传递范式：每个节点聚合邻居特征并更新自身表示
  • 单层GCN公式： h_v = σ( Σ_{u∈N(v)∪{v}} 1/√(d_v·d_u)·W·h_u )
  • 即对邻居特征进行归一化加权求和再非线性变换

层叠多层：2-3层GCN可捕获多跳邻居信息；层数过深导致过平滑(所有节点表征趋同)。

GCN的特点：

  • 无参共享、位置无关（permutation invariant）
  • 可处理不定大小图
  • 局限：直推式(transductive)，难处理未见节点

PyG库：from torch_geometric.nn import GCNConv。