按年被提到
20162020 · 2 次2026
机器学习与深度学习›神经网络架构探索·arXiv:1609.02907 · cs.LG

Semi-Supervised Classification with Graph Convolutional Networks

基于图卷积网络的半监督分类
Thomas N. Kipf, Max Welling · 2016

图卷积网络 GCN:在图结构数据上做半监督节点分类

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2020-05-26 · 最近 2023-01-24
3不同的人
3活跃月份
3讨论串
23,981被引(OpenAlex)

论文提出一种可扩展的图半监督学习方法:直接在图上运行的卷积神经网络变体,其结构由谱图卷积的局部一阶近似推导而来。模型计算量随图的边数线性增长,隐层同时编码局部图结构和节点特征。在引文网络和知识图谱数据集上,它显著优于相关方法。

HN 为什么提它

HN 上有人把它列为值得从头实现的“由易到难”GNN 论文之一,也有人在讨论树结构数据时提到它,作为图卷积层的代表。

奠基之作难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1图论与邻接矩阵
2卷积神经网络
3谱图理论与图拉普拉斯(graph Laplacian)
4半监督学习

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径先看词向量与基于随机游走的节点嵌入(DeepWalk)这条图表示学习的前史,再补上残差连接,最后读 GCN 如何用一阶谱近似直接在图上做卷积。

  1. 1
    Efficient Estimation of Word Representations in Vector Space向量空间中词表示的高效估计 · 2013

    word2vec 的 skip-gram 是 DeepWalk 的方法来源,也是「学习表示」思路的起点。

    读skip-gram 目标与词向量的含义;先抓概念,不必深究训练细节。

  2. 2

    DeepWalk 把随机游走当作句子,用 skip-gram 学节点嵌入,是 GCN 要对比的基线方法。

    读随机游走生成节点序列再套用 skip-gram 的流程,以及它的局限(不使用节点特征)。

  3. 3
    Deep Residual Learning for Image Recognition用于图像识别的深度残差学习 · 2015

    GCN 在加深层数的讨论里借用了残差连接。

    读残差块 y = F(x) + x 的基本形式,为什么能让更深的网络可训练。

  4. 4
    Semi-Supervised Classification with Graph Convolutional Networks基于图卷积网络的半监督分类 · 2016 · 就是这篇

    以谱图卷积的局部一阶近似推出简单高效的 GCN 层,在引文网络上做半监督节点分类。

    读从谱卷积到 GCN 传播规则的推导,以及带重归一化技巧的层公式。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐paulmorio · 2023-01

“here are some fun GNN papers to implement in order of increasing difficulty”

把它列为按难度递增实现的 GNN 论文之一
Ask HN: ML Papers to Implement原评论 ↗
引用orange3xchicken · 2020-05

“there might be models which could be more naturally applied to the tree structure directly”

提出可能有模型更适合直接用于树结构
Symbolic mathematics finally yields to neural networks原评论 ↗
引用benibraz · 2020-12

“EDIT: found it! Semi-Supervised Classification with Graph Convolutional Networks”

说自己终于找到了这篇论文
Deep Graph Library: Easy Deep Learning on Graphs原评论 ↗