yuns

spectral approach에서는 Laplacian eigenbasis을 이용하여 학습된 filter를 사용하게 되는데 이는 graph structure에 의존한다. spatial approach에서는 "define the convolution operation with differently sized neighborhoods and maintaining the local invariance of CNNs" 5.2.1 Neural FPS [NIPS18] Convolutional networks on graphs for learning molecular fingerprints Key Idea: degree에 따라 다른 weight matrices을 사용$$x=h_{v}^{t-1} + \sum_{i=1}..

여기서 convolution operation인 합성곱을 ($g_\theta$ ★ x) 와 같은 식으로 나타낸다. 5.1.1 Spectral Network convolution operation는 Fourier domain에서 정의된다. by computing the eigendecomposition of the graph Laplacian. a signal $x \in \mathbb{R}^N$( a scalar for each node)와 filter $g\theta = diga(\theta)$의 곱에 의해 나타낸다. $$g_\theta ★ x = Ug\theta(\Lambda)U^T x$$ U: the matrix of eigenvectors of the normalized graph Laplacia..

Graph Convolution Network는 크게 두가지 유형으로 나뉠 수 있다. Spectral Method 수학적인 수식을 이용하여 분석 Laplacian을 이용 푸리에 변환을 이용하여 인접노드들이 지나는 embedding vector들의 분포를 주파수 대역으로 변환 Spatial Method Inductive Learning supervised learning labeled training data만을 이용하여 학습 Transductive Learning unlabeled training data도 사용하여 prediction 진행