Graph Learning-Convolutional Networks (图学习-卷积网络)

论文动机：由于CNN与GCNN的缺点（下文列出），GLCN通过图形学习为GCNN提供最佳的GRAPH。
论文贡献: 这篇论文第一次尝试为半监督学习构建统一的图形学习卷积网络体系结构。实验结果表明,GLCN 在半监督学习任务中明显优于最先进的GCNN。
论文实验数据集：
Citeseer（包含 3327 个节点和 4732 个边。）
Cora（此数据包含 2708 个节点和 5429 个边。）
Pubmed （此数据包含 19717 个节点和 44338 个边。）
CIFAR10（包含 50000 个自然图像,这些图像分为 10 个类）
SVHN（它包含 73257 训练和 26032 测试图像）
MNIST
Scene 15（.它由 4485 个场景图像组成,包含 15 个不同的类别）
论文所用评价指标：Accuracy（准确率）
备注：

1. 积神经网络(CNN)已经成功地应用于许多问题,其中基础数据通常具有规则的结构。
   缺点：在许多实际应用中,数据通常具有不规则的结构。CNN不能适用。

2. GCNN广泛用于监督或半监督学习任务，GCNN的数据总是具有以下两种特征之一：
   （1） 具有已知的内部图形结构(如社交网络),
   （2） 要么为它构造一个图。
   例如具有高斯内核的 k-最近邻图。
   缺点：
   很难评估从领域知识(例如,社交网络)获得或由设计的图是否最适合在GCNN中进行半监督学习。不能保证最好地服务于GCNN。

3. 本文针对半监督学习问题提出了一种新的图形学习-卷积网络(GLCN)。GLCN 的主要思想是学习最佳图形表示形式,通过将图形学习和图形卷积同时集成在统一的网络体系结构中,为半监督学习提供最佳GCNN。
   优点：
   （1）在 GLCN 中,将给定标签和估计标签合并在一起,从而可以提供有用的"弱"监督信息,以优化图形结构,并促进GCNN 中的图形卷积操作,以便进行未知标签估计。
   （2）GLCN 可以通过单一的优化方式进行训练,因此可以简单实现。

4. GLCN 包含一个图形学习层、多个卷积层和一个最终感知层。
   图形学习层的图形学习结构可以基于数据特征 X 自动建立数据的邻域结构,或者进一步将以前的初始图形与 X 合并。
   图形学习结构是通用的,可以合并到任何GCNN中,为其提供最佳自适应图。