如何理解图卷积（GCN）中的卷积操作

首先，理解函数卷积的定义——函数卷积的傅里叶变换是函数傅里叶变换的乘积。

卷积：可以看作是一个函数在另一个函数上滑动叠加的过程。

用数学公式表达就是：

其中：

• f * g 表示两个函数 f和 g的卷积。
• F{f} 表示函数 f 的傅里叶变换。

其次，时域和频域的关系——时域可以通过傅里叶变换变换为频域。

时域信号通过傅立叶变换为频域信息，频域信息通过逆傅立叶变换为时域信息。

卷积定理告诉我们，时域中的卷积操作在频域中对应于简单的乘法操作。

在图傅立叶变换中，假设我们有一个简单的图G和两个图信号f和g，我们将使用谱图卷积进行卷积操作。

对图G的邻接矩阵A的拉普拉斯矩阵进行特征分解，得到矩阵U，对图信号f做傅立叶变换相当于UTf，对信号做逆傅立叶变换相当于U，类比拉普拉斯算子。

其中，​​​​​​​⊙ 代表矩阵的哈达玛积，也就是矩阵点乘。

GCN的卷积操作可以从Spectral GCN的角度也可以从Spatial GCN的角度理解。

下图的k代表特征向量的k阶表示，可以看出k的大小和邻居跳数相关。（同空域GCN）