圖卷積網路 是什麼？
Graph Convolutional Network：圖卷積網路 的完整解釋
一種 GNN 的具體實現，透過鄰域節點特徵的加權平均來更新每個節點的表示。
核心概念
圖卷積網路將傳統卷積神經網路的思想擴展到圖領域。在影像上，卷積透過滑動窗口聚合局部像素資訊；在圖上，GCN 對每個節點的鄰域進行類似的聚合操作，但由於圖的拓撲是不規則的，GCN 不使用固定大小的滑動窗口，而是依賴圖的實際連接結構。
GCN 的數學核心是對圖拉普拉斯矩陣（Laplacian matrix）進行譜分解和卷積。在實踐中，Kipf 等人提出的簡化版本避免了複雜的特徵分解，直接在空間域上進行卷積，具有較低的計算複雜度。
運作原理
GCN 的正向傳播公式為：
H^(l+1) = σ(D^(-1/2) A D^(-1/2) H^(l) W^(l))
其中：
- A 是圖的鄰接矩陣，A_ij = 1 表示節點 i 和 j 之間有邊
- D 是度矩陣（degree matrix），D_ii = Σ_j A_ij，表示節點 i 的度數
- H^(l) 是第 l 層的節點特徵矩陣
- W^(l) 是第 l 層的可學習參數矩陣
- σ 是激活函數（如 ReLU）
D^(-1/2) A D^(-1/2) 是對鄰接矩陣的度歸一化。直觀上，它將每條邊的權重除以相鄰兩個節點的度數，確保高度數節點的貢獻不會壓倒低度數節點。這個歸一化步驟對 GCN 的穩定訓練至關重要。
實際應用中，GCN 常加入自環（self-loop）以保留節點自身特徵的影響，修改為 A' = A + I（I 是單位矩陣），對應的度矩陣相應調整。
實際應用
半監督學習：GCN 的原始論文在引文網路（Citeseer、Cora、Pubmed）和社交網路上進行半監督節點分類。這些網路中，大部分節點未標註，GCN 能利用邊的拓撲和少量標籤進行學習。
推薦系統：騰訊、阿里巴巴等推薦系統中，GCN 用於使用者-物品二部圖，聯合學習使用者和物品的隱向量，超越傳統協同過濾。
化學和材料科學：利用分子圖結構預測分子性質、毒性、活性等。節點代表原子，邊代表化學鍵，GCN 可預測相應的物理化學性質。
程式碼分析：GitHub 等平台使用 GCN 對程式碼的抽象語法樹（AST）進行分析，用於代碼推薦、漏洞檢測等。
流量預測：交通網路中，GCN 結合時序資訊預測交通流量，節點代表路段，邊代表相鄰關係。
常見誤區
誤區一：GCN 和標準卷積操作相同。GCN 沒有滑動窗口的概念，不涉及空間位置，而是基於圖的拓撲結構和歸一化鄰接矩陣進行聚合。
誤區二：加自環對 GCN 總是有幫助。自環保留自身特徵，但若任務不需要節點充分利用自身信息（如某些節點分類場景），加自環可能帶來噪聲。需根據任務而定。
誤區三：度歸一化只是技術細節。D^(-1/2) A D^(-1/2) 的歸一化對 GCN 訓練穩定性、收斂速度、泛化性能都有重要影響。不歸一化會導致訓練不穩定或梯度爆炸。
誤區四：GCN 對所有圖都同樣有效。高度節點過多、邊權分佈極不均勻、節點特徵稀疏等情況都會影響 GCN 效果。需要圖預處理和超參調整。
與相關技術的比較
GraphSAGE：GraphSAGE 採用採樣和聚合策略，對固定大小的鄰域子集進行聚合，而 GCN 一次聚合所有鄰域。GraphSAGE 更適合大規模圖，GCN 需要將整個圖放入記憶體。
圖注意力網路（GAT）：GAT 對鄰域中的不同節點賦予不同的注意力權重，GCN 對所有鄰域節點採用相同的歸一化權重。GAT 更靈活但計算複雜度更高。
光譜卷積法（Spectral Convolution）：GCN 是光譜方法在空間域的高效近似。光譜方法透過圖傅里葉變換進行卷積，但需要計算圖拉普拉斯矩陣的特徵分解，計算成本高。GCN 避免了這一瓶頸。
消息傳遞神經網路（MPNN）：MPNN 是更一般的框架，GCN 是 MPNN 的一個特例。MPNN 允許自訂義聚合和更新函數，更加靈活。