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。
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
关于GCN领域的方法和应用的综述
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。
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