Графовые сверточные сети

Цель GCN проста: объединить признаки узла с признаками его соседей математически корректным, вычислительно эффективным и стабильным способом при наложении на несколько слоев. Вместо обучения произвольным весам внимания или сложным функциям агрегирования, GCN использует более структурированный подход. Он использует нормализованную матрицу смежности для усреднения информации по соседям, корректируя степени узлов и обеспечивая поведение агрегирования как диффузионного процесса на графе. Другими словами, GCN можно рассматривать как обучаемый оператор сглаживания: каждый слой локально смешивает информацию, а линейное преобразование обучается перевзвешивать и объединять признаки.