图卷积网络到底怎么做，这是一份极简的Numpy实现(2)

每个节点的表征(每一行)现在是其相邻节点特征的和!换句话说，图卷积层将每个节点表示为其相邻节点的聚合。大家可以自己动手验证这个计算过程。请注意，在这种情况下，如果存在从 v 到 n 的边，则节点 n 是节点 v 的邻居。

问题

你可能已经发现了其中的问题：

• 节点的聚合表征不包含它自己的特征!该表征是相邻节点的特征聚合，因此只有具有自环(self-loop)的节点才会在该聚合中包含自己的特征 [1]。
• 度大的节点在其特征表征中将具有较大的值，度小的节点将具有较小的值。这可能会导致梯度消失或梯度爆炸 [1, 2]，也会影响随机梯度下降算法(随机梯度下降算法通常被用于训练这类网络，且对每个输入特征的规模(或值的范围)都很敏感)。

接下来，本文将分别对这些问题展开讨论。

1. 增加自环

为了解决第一个问题，我们可以直接为每个节点添加一个自环 [1, 2]。具体而言，这可以通过在应用传播规则之前将邻接矩阵 A 与单位矩阵 I 相加来实现。

In [4]: I = np.matrix(np.eye(A.shape[0])) 
        I 
Out[4]: matrix([ 
            [1., 0., 0., 0.], 
            [0., 1., 0., 0.], 
            [0., 0., 1., 0.], 
            [0., 0., 0., 1.] 
        ]) 
In [8]: AA_hat = A + I 
        A_hat * X 
Out[8]: matrix([ 
            [ 1., -1.], 
            [ 6., -6.], 
            [ 3., -3.], 
            [ 5., -5.]]) 

现在，由于每个节点都是自己的邻居，每个节点在对相邻节点的特征求和过程中也会囊括自己的特征!

2. 对特征表征进行归一化处理

通过将邻接矩阵 A 与度矩阵 D 的逆相乘，对其进行变换，从而通过节点的度对特征表征进行归一化。因此，我们简化后的传播规则如下：

f(X, A) = D⁻¹AX 

让我们看看发生了什么。我们首先计算出节点的度矩阵。

In [9]: D = np.array(np.sum(A, axis=0))[0] 
        D = np.matrix(np.diag(D)) 
        D 
Out[9]: matrix([ 
            [1., 0., 0., 0.], 
            [0., 2., 0., 0.], 
            [0., 0., 2., 0.], 
            [0., 0., 0., 1.] 
        ]) 

在应用传播规则之前，不妨看看我们对邻接矩阵进行变换后发生了什么。

变换之前

A = np.matrix([ 
    [0, 1, 0, 0], 
    [0, 0, 1, 1],  
    [0, 1, 0, 0], 
    [1, 0, 1, 0]], 
    dtype=float 
) 

变换之后

In [10]: D**-1 * A 
Out[10]: matrix([ 
             [0. , 1. , 0. , 0. ], 
             [0. , 0. , 0.5, 0.5], 
             [0. , 0.5, 0. , 0. ], 
             [0.5, 0. , 0.5, 0. ] 
]) 

（编辑：ASP站长网）