卷积神经网络（CNN）在各种领域取得了令人瞩目的成果。他们的成功得益于能够训练非常深的CNN模型的巨大推动力。 尽管取得了积极的成果，但CNN未能正确解决非欧几里德数据的问题。 为了克服这一挑战，利用图卷积网络（GCN）构建图来表示非欧几里德数据，并借用CNN的相关概念并应用它们来训练这些模型。 GCN显示出不错的结果，但由于梯度消失问题，它们仅限于非常浅的模型。因此，大多数最新型的GCN算法都不会超过3或4层。 作者提出了成功训练非常深层的GCN的新方法。他们借用CNN的概念，主要是residual / dense connections（残差、密集连接） 和 dilated convolutions（膨胀卷积、扩张卷积、空洞卷积） ，使它们能够适应GCN架构。

论文题目：

DeepGCNs: Making GCNs Go as Deep as CNNs

论文地址：

https://arxiv.org/abs/1910.06849

编辑：张爽

• 第三十二期图网络论文解读
• 时间：10月14日周一
• 主讲人：张章
• 论文题目：
  Hamiltonian Graph Networks with ODE Integrators
• 论文地址：
  https://arxiv.org/abs/1909.12790
• 视频回放：
http://campus.swarma.org/play/coursedetail?id=11020

• 第三十一期图网络论文解读
• 时间：10 月07日 周一
• 主讲人：胡乔
• 论文题目：

  The HSIC Bottleneck : Deep Learning without Back-Propagation

• 论文地址：
  https://arxiv.org/abs/1908.01580
• 视频回放:
http://campus.swarma.org/play/coursedetail?id=11013
• 第三十期图网络论文解读
• 时间：9月30日 周一
• 主讲人：王忠庆
• 论文题目：

  Supergraph Search in Graph Databases via Hierarchical Feature-Tree

• 论文地址：

  https://ieeexplore.ieee.org/document/8354892

• 视频回放：
http://campus.swarma.org/play/coursedetail?id=11017

---

集智俱乐部QQ群｜877391004

商务合作及投稿转载｜swarma@swarma.org

◆◆◆

搜索公众号：集智俱乐部

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！

原文始发于微信公众号（集智俱乐部）：集智