从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二)

本文属于图神经网络的系列文章，文章目录如下：

• 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一)
• 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二)
• 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (三)

在上一篇博客中，我们简单介绍了基于循环图神经网络的两种重要模型，在本篇中，我们将着大量笔墨介绍图卷积神经网络中的卷积操作。接下来，我们将首先介绍一下图卷积神经网络的大概框架，借此说明它与基于循环的图神经网络的区别。接着，我们将从头开始为读者介绍卷积的基本概念，以及其在物理模型中的涵义。最后，我们将详细地介绍两种不同的卷积操作，分别为空域卷积和时域卷积，与其对应的经典模型。读者不需有任何信号处理方面的基础，傅里叶变换等概念都会在本文中详细介绍。

图卷积框架(Framework)

卷积(Convolution)

基础概念

实例:掷骰子问题

空域卷积(Spatial Convolution)

频域卷积(Spectral Convolution)

参考文献

从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二)

原文：https://www.cnblogs.com/SivilTaram/p/graph_neural_network_2.html