readme.md

Spatio-temporal modeling 论文列表（主要是graph convolution相关）

应广大小伙伴建议，建了一个GCN交流群，感兴趣的小伙伴可以加群哇，比心～

小白一枚，接下来希望在时空建模上有点见解，图是数据表示非常自然的方式，现在在处理图上数据的任务时常用network embedding的方法和的geometric model方法。network embedding初衷是把图上数据表示成张量形式，可以满足deep learning model的输入，但这种方法在学数据表示时存在信息压缩；后者则是修改模型，使得满足输入结构化，即输入数据保留图的形式。接下来打算在第二种思想上展开，保留图上数据的空间约束，同时有些图上数据是时间序列的，如路网上每时刻节点的流量速度等，如何对时间序列上的网络数据用deep model建模，保留空间约束是接下来的学习方向。

这里会整理些近期看的论文及简单描述(可能不准确)，会持续更新，希望同样研究这个方向的小伙伴可以一起交流～

综述篇

• Geometric deep learning: going beyond Euclidean data (IEEE Signal Processing Magazine 2017)

关于非欧数据（主要就是图数据和流形数据）的深度学习的review

• Graph Neural Networks:A Review of Methods and Applications

关于GCN领域的方法和应用的综述

方法篇

• The graph neural network model （TNN 2009）

• The emerging field of signal processing on graphs (IEEE Signal Processing Magazine 2013)

解释怎么处理图上的信号，通过图上拉普拉斯矩阵特征值的smooth性质类比傅立叶系数，利用特征向量做图上傅立叶变换，解释如何做图上的卷积，滤波运算。

• spectral networks and deep locally connected networks on graphs (ICLR2014)

把图上的CNN extend 到graph上，提出空间和spectral两种方法，空间上每层有几个cluster，学习相邻层节点之间的权重。Spectral用上文中拉普拉斯矩阵的特征向量变换到谱域，通过谱域的点乘再做傅立叶逆变换得到卷积的结果�