摘要
圖結構數據上進行半監督學習的可拓展方法。該方法基於 直接在圖上操作的卷積神經網絡 的有效變體。
通過 譜圖卷積的局部一階近似 來激勵我們選擇 卷積結構。我們的模型在 圖邊 上的數量（number of graph edges）上線性縮放，並且學習隱藏層表示（其encode 局部圖結構 和 結點特征）。
Introduction
我們考慮對 圖（如，citation network 引用網絡）中的結點（如，documents文檔）進行分類的問題，其中 標簽 只對一小部分結點可用。
這個問題，可以被構建為 基於圖的半監督學習，其中 標簽信息 通過某種形式的基於圖的 顯式正則化 在圖上平滑，如，在loss中使用正則化：
\(L_0\) 表示圖中標記部分的 監督損失。f(·) 可以是類似神經網絡的可微函數
公式1依賴於圖中連接的節點可能共享相同標簽的假設。然而，這種假設可能會限制建模能力，因為圖邊不一定需要 編碼 節點相似性，但可能包含附加信息。
在這項工作中，我們直接使用 神經網絡模型f(X，A) 對圖結構進行編碼，並在監督目標 \(L_0\) 上對所有帶標簽的節點進行訓練，從而 避免損失函數 中 基於圖的顯式正則化（graph-based regularization ）。
首先，我們直接作用於 圖的神經網絡 引入一個簡單且性能良好的 layer-wise propagation rule（分層傳播規則），並展示了它是如何從譜圖卷積的一階近似得到的。
2. 圖的快速近似卷積（Fast Approximate Convolutions on Graphs）
GCN 具有如下逐層傳播規則：
