摘要

神经网络通常被设计用来处理张量形式的数据。在本文中，我们提出了一种新的神经网络结构，它可以接受任意结构的图。给定一个包含(G, y)形式的图的数据集，其中G是图，y是它的类，我们的目标是开发能直接读取图并学习分类函数的神经网络。主要有两个挑战:1)如何提取描述图中编码的丰富信息的有用特征，以进行分类;2)如何以有意义和一致的顺序依次读取图。为了解决第一个挑战，我们设计了一个局部化的图卷积模型，并展示了它与两个图核的联系。为了解决第二个挑战，我们设计了一个新的SortPooling层，它以一致的顺序对图顶点进行排序，这样传统的神经网络就可以在图上进行训练。在基准图分类数据集上的实验表明，所提出的体系结构利用最先进的图核和其他图神经网络方法实现了具有高度竞争性的性能。此外，该体系结构允许使用原始图进行端到端基于梯度的训练，而不需要首先将图转换为向量

问题

神经网络在图像分类、自然语言处理、强化学习等应用领域越来越流行。层之间的连接结构使神经网络适合处理张量形式的信号，其中张量元素按有意义的顺序排列。这种固定的输入顺序是神经网络提取更高层次特征的基础。例如，如果我们随机打乱上图所示图像的像素，那么最先进的卷积神经网络(CNN)就无法识别出它是一只鹰。尽管图像和许多其他类型的数据自然地以顺序表示，但还有另一个主要的结构化数据类别，即图，它通常缺乏具有固定顺序的张量表示。例子包括分子结构，知识图，生物网络，社交网络等。 这里主要是来说明对于有顺序结构的数据来说，神经网络可以提取更高层次的特征，那么对于图结构来说，是没有顺序结构的，所以怎么是图结构也具有顺序结构？就提出了下面的网络结构。

主要贡献

本文的贡献如下。1)提出了一种全新的端到端深度学习图分类体系结构。它直接接受图作为输入，不需要任何预处理。2)我们提出了一种新的空间图卷积层来提取多尺度顶点特征，并与常用的图核进行类比来解释其工作原理。3)我们开发了一种新的SortPooling层来对顶点特征进行排序，而不是对它们进行汇总，这样可以保留更多的信息，并且可以从全局图拓扑中学习。4)在基准图分类数据集上的实验结果表明，我们的深度图卷积神经网络(D GCNN)与最先进的图核具有很强的竞争力，在图分类方面显著优于许多其他深度学习方法。

网络结构图

这个网络结构比较简单，一共三个步骤： 1.先使用多层聚合函数进行节点信息的聚合，更新节点信息； 2.将得到的节点特征排序； 3.将排完序的节点特征继续拼接成一维，然后直接一维卷积，最后进行分类。