目前大部分GCN方法可以被归为两类：Spectral（基于频域）卷积和 Spatial（基于空域）卷积。前者主要基于 Spectral Graph Theory 将图信号变换到谱域与滤波器系数进行相乘再做逆变换[1][2]，这种方法处理的图结构常常是固定大小的（节点个数固定）并且主要解决的是节点分类问题。然而现实中图数据的大小往往不固定，例如生物信息数据中的蛋白质结构、社交网络中的用户关系等，基于

论文名称：图卷积神经网络可以走向更深吗？（究极缝合怪） 出自：ICCV 2019 Oral 作者单位： 阿卜杜拉国王科技大学 引言： 卷积神经网络很好，因为它很深，并且由残差连接保证性能的提高。在现有的Graph Convolution Network 只有三到四层，而本文提出的缝合怪有56层。 前言：在后续的论文中，在深度GCN上的论文并没有多少，现有的缝合怪论文体系中并没有它的太多身影。直

目录 0.引言1.再谈GCNs2.一个实现GCNs传递过程的小栗子3.局限性以及解决方法4.回到我们的原始话题5.拿出一个栗子——Zachary的空手道俱乐部6.总结 0.引言 CNN能够对欧式空间结构的数据进行处理，但无法很好的处理非欧式空间结构的数据，例如知识图谱、社交关系、生物分子结构等。而2016年提出的图卷积网络（Graph Convolutional Network