Learning Convolutional Neural Networks for Graphs
2018-01-17 21:41:57
【Introduction】
这篇 paper 是发表在 ICML 2016 的：http://jmlr.org/proceedings/papers/v48/niepert16.pdf
上图展示了传统 CNN 在 image 上进行卷积操作的工作流程。（a）就是通过滑动窗口的形式，利用3*3 的卷积核在 image 上进行滑动，来感知以某一个像素点为中心的局部图像区域（local image patch）；（b）感受野所创建的 node sequence，以及由超参数所决定的感受野的形状。
本文将 CNN 拓展到大规模的基于 graph 的学习问题当中，主要考虑如下两类问题：
1. 给定一组 graphs，学习一个函数，使之可以在 unseen graphs 用于 classification 或者 regression problem。
The nodes of any two graphs are not necessarily in correspondence. For instance, each graph of the collection could model a chemical compound and the output could be a function mapping unseen compounds to their level of activity against cancer cells.
2. 给定一个大型的 graph，学习 graph 的表示，使其可以用于推理不可见的 graph 属性，例如：node types 或者 missing edges。
