一、笔记图片
(字不好看,不算知识分享,小白的笔记记录而已)
二、如果定义卷积
1、图卷积
-
1、图卷积分为谱方法图卷积和空间方法图卷积。
-
谱方法图卷积:就是定义在谱域(由于图的拉普拉斯矩阵可以很好的表征图,对拉普拉斯进行谱分解是在全图信息都知道的情况下,所以谱域个人认为是全图的信息)中的图卷积;;;存在缺陷:需要得到全局信息才可以进行谱方法图卷积
-
空间方法图卷积:定义在顶点域的图卷积,位于目标顶点附近的所有顶点的加权平均函数。
-
2、如何理解卷积?
-
卷积就是用两个函数生成第三个函数的过程
-
一个函数f(x)是我们要分析的,另一个函数g(x)被称为卷积核(类比cv过程)将这个函数进行翻转平移之后与f(x),再对这个函数取积分求它所围成的曲边梯形面积
-
卷积就是一个函数用来表示:两个筛子和为4的所有可能性。
2、图的定义
-
1、【边集合(略)、顶点集合(略)】拉普拉斯矩阵的定义
-
拉普拉斯矩阵是半正定矩阵
-
拉普拉斯矩阵最小特征值是0,并且最小特征值对应的特征向量为全1矩阵
-
拉普拉斯的谱分解就是特征值分解L=U ^ U -1 其中^表示有特征值组成的上三角矩阵
-
对阵矩阵的特征向量相互正交,即所有特征向量构成的矩阵为正交矩阵。
3、图的傅里叶变换概念
- 1、傅里叶变换的概念:就是利用sin-cos的正交特性来模拟f(x)函数,仔细看傅里叶函数会发现它的an和bn是为了建立不同大小的cos和sin,因为它不是简单的坐标直接可以用(x,y)一对正交基来表示,它是变化的f(x)函数是,一条随着时间变化而变化的函数,他需要不同大小的正交基以及内部的wt时间变量来模拟f(x)
- 2、图的拉普拉斯矩阵,可以很好的表征每个点的度以及各个顶点之间的连接关系,所以这里对拉普拉斯进行分析。
- 3、将图进行傅里叶变换,就是为了将图转化为数学形式,深度学习的目的就是用数学公式加上参数来学习出事件的规律(大多用统计学公式)。
4、图的傅里叶变化实现
-
1、正交基在哪里?
-
上面说过拉普拉斯的谱分解就是特征值分解L=U ^ U -1 ,这里的U是正交矩阵,使用U和 U -1也是正交的,就得到了正交基。
-
2、这里得到的是n对正交基,因为图是顶点和顶点之间关系的有限信息组合,所以不需要无穷的正交基进行拟合。
三、图卷积
1、卷积定理
卷积函数的傅里叶变化是函数傅里叶变换的乘积(看上面笔记第二页即可)
2、图卷积公式:(f卷积g)G=UgUT*f
其中g是可学习参数
3、对卷积公式进行简化
- 将g那部分用一个n*n的对角矩阵(以学习参数为对角元,随机初始化的)来表示学习参数。计算量非常大,主要是计算U和 U T计算量大。
- 用切比雪夫来代替g
- 加入一些假设
- 这两个暂时没看懂