图卷积网络(GCN)：PPT资源

图卷积网络扩展了传统CNN到图结构数据，通过定义卷积操作对节点进行特征提取和表示学习。首先，将图数据表示为邻接矩阵或邻接列表形式，每个节点为一个特征向量。特征传播：将节点特征与邻居节点的特征聚合，可使用邻居节点的均值、最大值或拼接等操作。线性变换：将特征聚合后的结果与权重矩阵相乘，进行线性变换，捕捉节点的局部结构信息。非线性激活：对线性变换结果应用非线性激活函数，如ReLU，增强模型表达能力。迭代传播：重复进行2-4步骤，直至达到所需层数或收敛条件。输出预测：在最后一层节点特征上应用全局池化操作，如平均池化或最大池化，结果输入到全连接层进行分类或回归预测。实现可能包含更多技巧和细节。如Graph Convolutional Networks for Node Classification (Kipf & Welling, 2017)或PyTorch Geometric。