图卷积的核心思想就是利用边的信息对节点信息进行聚合,从而生成新的节点表示。图卷积神经网络主要有两类,
一类是基于空间域或者顶点域vertex domain(spatial domain)的,另一类是基于频域或者谱域的(spectral domain),
通俗理解就是空域可以类比到直接在图片的像素点上进行卷积,而频域可以类比到对图片进行傅里叶变换后,再进行卷积。
空间域:直接将卷积操作定义在每个结点的连接关系上,。
频域:频域图理论就是借助于图的拉普拉斯矩阵的特征值和特征向量来研究图的性质。
什么是拉普拉斯矩阵?对于一个图,其拉普拉斯矩阵的定义为 L=D-A,其中L是拉普拉斯矩阵,D=diag(d)是顶点的度矩阵,
d = rowsum(A),对角线上元素依次为各个顶点的度,A是图的邻接矩阵。
频域卷积的前提条件是图必须是无向图,那么L就是对称矩阵。
归一化的拉普拉斯矩阵就是
矩阵的特征分解:
拉普拉斯矩阵是半正定矩阵,拉普拉斯矩阵的谱分解(谱分解又叫特征分解)。
拉普拉斯算子是二阶微分算子。
任意函数可以分解为奇偶函数的和,任意一个周期函数可以由若干个正交函数的线性组合构成。
利用矩阵乘法将图上的傅里叶变换推广到矩阵形式。
函数卷积的傅里叶变换是函数傅里叶变换的乘积,
2020-10-24
最新推荐文章于 2022-12-14 14:33:00 发布