对图进行卷积神经网络学习的解读

本文源自2016年ICML会议的一篇论文，主要探讨了一种将卷积神经网络应用于图结构数据的新方法。对于不熟悉图这一数据结构的读者，可以在文章末尾找到一份简要的概述作为参考。

1.概要

图卷积的基本思路在于，通过w个固定尺寸为(k+1)的子图来表征输入的图结构，随后对这些子图进行规范化处理，最终生成一个维度为w(k+1)的向量，并将其作为传统CNN网络的输入进行特征学习。这一过程本质上是对图结构到向量空间的一种映射预处理方式。
下图展示了该算法的整体架构：

图1 算法结构示意图

2.导读内容概述

CNN在处理欧式数据（即欧几里得数据）方面已取得令人瞩目的成果，其能够有效应对这类数据结构，并挖掘其中潜在的特征表达，例如在计算机视觉和自然语言处理等领域均有所应用。
所谓欧式数据，通常指具有网格(grid)或序列(sequence)形式的数据结构，如图像可视为二维网格数据，语音信号则可视为一维网格数据。然而，在现实生活中存在大量非欧式的数据类型，例如社交网络(Social Network)、化学分子(Chemical Compound)、蛋白质(Pr