GCN为什么是低通滤波器？

信号系统的卷积

时域卷积：
$$y(t)=x(t)\ast h(t)$$
转化到频域：
$$Y(\omega )=X(\omega )H(\omega )$$
频率响应函数：
$$H(\omega )=\frac{Y(\omega )}{X(\omega )}$$
其中$\omega$为频率，因此$H(\omega )$中$\omega$的范围就确定了能够通过该频率响应函数的信号。比如，当$\omega \in [-1,1]$，$H(\omega )$如下图时：

该频率响应函数就仅能通过频率在[-1,1]的信号。

图卷积

在说图卷积之前，我们要了解这些。详情请见图卷积神经网络理论基础

laplace矩阵：
$$L=D-A$$

$$L=U\Lambda U^T$$

$\Lambda$是L的特征值矩阵，即

$$\Lambda =\left[\begin{array}{ccc}{\lambda }_1& & \\ & \ddots & \\ & & {\lambda }_n\end{array}\right]$$

卷积公式：

$$(f\ast g{)}_G=U{g}_{\theta }{U}^{T}f=U{g}_{\theta }(\Lambda )U^{T}f=U\left[\begin{array}{ccc}\hat{g}({\lambda }_1)& & \\ & \ddots & \\ & & \hat{g}({\lambda }_n)\end{array}\right]U^{T}f$$

因为在图卷积中特征值相当于频率，因此频率响应函数$g_{\theta }$能通过的频率取决于$L$的特征值范围。又$L$的$\lambda \in [0,2]$(证明见图的拉普拉斯矩阵的特征值范围的一个估计或者谱图论(这本书没找到电子版))。

ChebNet

ChebNet引入了切比雪夫多项式对$g_{\theta }$进行拟合。
$$g_{\theta }(\Lambda )\approx =\sum _{k=0}^K\theta {\prime }_k{T}_k(\tilde{\Lambda })$$

其中$\tilde{\Lambda }=2\frac{\Lambda }{{\lambda }_{max}}-I$, ${\lambda }_{max}\approx 2$,通过这个操作，来缩放特征值。

GCN

在GCN中取 ${\lambda }_{max}=2$， $K=1$,得$\tilde{\Lambda }=\Lambda -I$，特征值大小缩放到$[-1,1]$。
因此，频率响应函数$g_{\theta }$只能通过$\lambda \in [-1,1]$的信号，所以GCN是一个低通滤波器。