当工作重要时：将经典网络结构转换为图卷积神经网络（Graph CNN）

许多模式识别应用可以形式化为从图结构数据中学习，包括社交网络、蛋白质相互作用网络、万维网数据、知识图谱等。尽管卷积神经网络（CNN）在网格化图像/视频理解任务中取得了巨大进展，但由于图数据的不规则性和复杂几何拓扑结构（无序顶点、相邻边/顶点数量不定），将这些成功的网络结构（如Inception网络、残差网络、密集连接网络等）转换为图上的卷积网络的研究相对较少。本文旨在通过将不同的经典网络结构转换为图卷积神经网络（Graph CNN），对何时工作有效进行综合分析，特别是在基本的图识别问题上。具体而言，我们首先回顾了通用的图CNN方法，特别是其在不规则图数据上的谱滤波操作。然后，我们将ResNet、Inception和DenseNet的基本结构引入到图CNN中，并构建了这些网络结构在图上的实现，分别命名为G_ResNet、G_Inception和G_DenseNet。特别地，本文试图通过阐明这些经典网络结构的工作原理来帮助改进图CNN，并提供选择合适图网络框架的指导原则。最后，我们在多个公开的图数据集（包括社交网络和生物信息学数据集）上全面评估了这些不同网络结构的性能，并展示了它们在图识别任务中的表现。