一文讲通谱域图神经网络：从图信号处理GSP到图卷积网络GCN

一文讲通谱域图神经网络：从图信号处理GSP到图卷积网络GCN

图信号处理

图G=<V,E>，包含两方面的信息：

一是节点集合 V={…,v_i,…}上带有的各节点信号强度向量x={…,x_i,…}，其中x_i是v_i的信号强度；

二是图的结构信息，即点之间的相连关系，使用拉普拉斯矩阵来描述。

拉普拉斯矩阵

拉普拉斯矩阵定义为L=D-A，其中A是图的邻接矩阵，D=diag([…,deg(v_i),…])。

例子：

拉普拉斯矩阵的意义

图上的梯度在边上的分量：理解为边的属性，描述这条边连接的两个节点之间信号强度的变化速度，定义为（注意分量方向与边的方向一致）：

$${\vec{g}}_{ij}=\frac{x_j-x_i}{{\vec{e}}_{ij}}$$
图上的梯度：理解为点的属性，认为该点连接的边都是正交的，因此梯度也分开到各个维度，即
$${\vec{g}}_i=[..,{\vec{g}}_{ij},..],(i,j)\in E$$
图上的散度：理解为点的属性，描述这个点处流入流出的向量之和，形式上为这些向量的直接加和；

图上的梯度的散度在点上的分量：理解为点的属性，将该点处的梯度分量相加，并以边的方向区分流入流出的向量，即
s i = ∑ j g ⃗ i j = ( − 1 ) ∗ ∣ g ⃗ i p ∣ + 1 ∗ ∣ g ⃗ q i ∣ , { ( i , p ) , ( q , i ) } ⊂ E s_i = \sum_j \vec g_{ij} = (-1)*|\vec g_{ip}|+1*|\vec g_{qi}|, \{(i,p),(q,i)\}\subset E si​=j∑​g ​ij​=(−1)∗∣g ​ip​∣+1∗∣g ​qi​∣,{ (i,p),(q,i)}⊂E

图上的梯度的散度：理解为图的属性，即图上所有点处的散度组成的向量，即
$$sign(\mathcal{A})\times$$