ChebNet1以及GCN的区别
谱相关详见:https://blog.csdn.net/chairuilin/article/details/140108216?spm=1001.2014.3001.5501
将图变到谱域
X
^
=
U
T
X
\widehat{X}=U^TX
X
=UTX
将谱域转换为原区域:
X
=
U
X
^
X=U\widehat{X}
X=UX
由
x
∗
y
=
U
(
(
U
T
x
)
⊙
(
U
T
y
)
)
x*y=U((U^Tx)\odot(U^Ty))
x∗y=U((UTx)⊙(UTy))
可得:
g
∗
x
=
U
(
(
U
T
g
)
⊙
(
U
T
x
)
)
g*x=U((U^Tg)\odot(U^Tx))
g∗x=U((UTg)⊙(UTx))
由于
L
=
U
Λ
U
T
L=U\Lambda U^T
L=UΛUT
我们得到:
U
T
L
=
Λ
U
T
U^TL=\Lambda U^T
UTL=ΛUT
也就是卷积核对
U
T
U^{T}
UT进行图域到谱域的转换,g是一个可以学习的参数.我们就可以得到:
U
T
g
=
g
θ
(
Λ
)
U^Tg=g_\theta(\Lambda)
UTg=gθ(Λ)
假如用切比雪夫多项式提供一个多项式逼近
g
θ
(
Λ
)
=
∑
k
=
0
K
θ
k
⋅
T
k
(
Λ
)
g_\theta(\Lambda)=\sum_{k=0}^K\theta_k\cdot T_k(\Lambda)
gθ(Λ)=k=0∑Kθk⋅Tk(Λ)
g
∗
x
=
U
(
(
U
T
g
)
∗
(
U
T
x
)
)
3
=
U
(
g
θ
(
Λ
)
∗
(
U
T
x
)
)
=
U
(
∑
k
=
0
K
θ
k
⋅
T
k
(
Λ
)
∗
U
T
x
)
=
∑
k
=
0
K
θ
k
⋅
T
k
(
U
Λ
U
T
)
x
\begin{aligned} &g*x=U((U^Tg)*(U^Tx)) \\3 &=U(g_\theta(\Lambda)*(U^Tx)) \\ &=U(\sum_{k=0}^K\theta_k\cdot T_k(\Lambda)*U^Tx) \\ &=\sum_{k=0}^K\theta_k\cdot T_k(U\Lambda U^T)x \end{aligned}
3g∗x=U((UTg)∗(UTx))=U(gθ(Λ)∗(UTx))=U(k=0∑Kθk⋅Tk(Λ)∗UTx)=k=0∑Kθk⋅Tk(UΛUT)x
g
∗
x
=
∑
k
=
0
K
θ
k
⋅
T
k
(
L
)
x
g*x=\sum_{k=0}^K\theta_k\cdot T_k(L)x
g∗x=k=0∑Kθk⋅Tk(L)x
由于切比雪夫多项式为:
x
ˉ
0
=
x
,
x
ˉ
1
=
L
x
,
x
ˉ
k
=
2
L
x
ˉ
k
−
1
−
x
ˉ
k
−
2
\bar{x}_{0} =x,\bar{x}_{1}=Lx,\bar{x}_{k}=2L\bar{x}_{k-1}-\bar{x}_{k-2}
xˉ0=x,xˉ1=Lx,xˉk=2Lxˉk−1−xˉk−2
我们令:k=1,那么,有:
g
∗
x
=
θ
0
x
+
θ
1
L
x
g*x=\theta_0x+\theta_1Lx
g∗x=θ0x+θ1Lx
再令:
θ
0
=
1
,
θ
1
=
−
1
\theta_{0}=1,\theta_{1}=-1
θ0=1,θ1=−1,那么,就有:
g
∗
x
=
I
−
L
=
D
−
1
/
2
A
D
−
1
/
2
g*x=I-L=D^{-1/2}AD^{-1/2}
g∗x=I−L=D−1/2AD−1/2
令
I
N
+
D
−
1
2
A
D
−
1
2
→
D
~
−
1
2
A
~
D
~
−
1
2
,
A
~
=
A
+
I
N
\text{令 }I_N+D^{-\frac12}AD^{-\frac12}\to\tilde{D}^{-\frac12}\tilde{A}\tilde{D}^{-\frac12}, \tilde{A}=A+I_N
令 IN+D−21AD−21→D~−21A~D~−21,A~=A+IN
最终,就可以得到GCN的推到:
Z
=
D
~
−
1
2
A
~
D
~
−
1
2
X
Θ
Z=\tilde{D}^{-\frac12}\tilde{A}\tilde{D}^{-\frac12}X\Theta
Z=D~−21A~D~−21XΘ
我们可以定义多项式滤波器为:
y
=
U
d
i
a
g
[
h
(
λ
1
)
,
.
.
.
,
h
(
λ
n
)
]
U
T
x
=
U
h
(
Λ
)
U
T
x
≈
∑
k
=
0
K
w
k
L
k
x
,
\mathbf{y}=\mathbf{U}diag\left[h(\lambda_1),...,h(\lambda_n)\right]\mathbf{U}^T\mathbf{x}=\mathbf{U}h\left(\mathbf{\Lambda}\right)\mathbf{U}^T\mathbf{x}\approx\sum_{k=0}^Kw_k\mathbf{L}^k\mathbf{x},
y=Udiag[h(λ1),...,h(λn)]UTx=Uh(Λ)UTx≈k=0∑KwkLkx,
其中,h对应光谱滤波器,
h
(
λ
)
=
∑
k
=
0
K
w
k
λ
k
,
λ
∈
[
0
,
2
]
h(\lambda)=\sum_{k=0}^Kw_k\lambda^k,\lambda\in[0,2]
h(λ)=k=0∑Kwkλk,λ∈[0,2]
ChebNet使用切比雪夫多项式去近似过滤器操作:
y
≈
∑
k
=
0
K
w
k
T
k
(
L
^
)
x
\mathbf{y}\approx\sum_{k=0}^Kw_kT_k(\hat{\mathbf{L}})\mathbf{x}
y≈k=0∑KwkTk(L^)x
在这里,
L
^
=
2
L
/
λ
m
a
x
−
I
\hat{\mathbf{L}}=2\mathbf{L}/\lambda_{max}-\mathbf{I}
L^=2L/λmax−I
表示拉普拉斯矩阵
λ
m
a
x
\lambda_{max}
λmax是L的最大特征值,
w
k
w_{k}
wk表示切比雪夫系数.切比雪夫多项式可以被定义为:
T
k
(
x
)
=
2
x
T
k
−
1
(
x
)
−
T
˙
k
−
2
(
x
)
T_k(x)=2xT_{k-1}(x)-\dot{T}_{k-2}(x)
Tk(x)=2xTk−1(x)−T˙k−2(x)
T
0
(
x
)
=
1
T_0(x)=1
T0(x)=1
T
1
(
x
ˉ
)
=
x
.
T_{1}(\bar{x})=x.
T1(xˉ)=x.
审视ChebNet的动机
具体流程:ChebBase->发现ChebBase/k效果更好(比chebbase等更好),因此分析,得到理论2.1(即要对系数 w k w_{k} wk限制->利用切比雪夫差值限制 w k w_{k} wk,并提出了 w k = 2 K + 1 ∑ j = 0 K γ j T k ( x j ) w_k=\frac{2}{K+1}\sum_{j=0}^{K}\gamma_jT_k(x_j) wk=K+12∑j=0KγjTk(xj),其中, λ j \lambda_{j} λj可以被定义Chebyshev node x j x_{j} xj
切比雪夫基与其他基的区别:
h
(
λ
^
)
≈
∑
k
=
0
K
w
k
T
k
(
λ
^
)
,
λ
^
∈
[
−
1
,
1
]
,
h(\hat{\lambda})\approx\sum_{k=0}^Kw_kT_k(\hat{\lambda}),\hat{\lambda}\in[-1,1],
h(λ^)≈k=0∑KwkTk(λ^),λ^∈[−1,1],
其中,
λ
^
\hat{\lambda}
λ^是拉普拉斯矩阵
L
^
\hat{L}
L^的特征值.
最近的工作有利用多项式和Bearbstein base去逼近过滤器
为了去逼近切比雪夫基的近似能力,我们用切比雪夫基简单替代了GPRGNN和BERNNET.
切比雪夫的表达为:
Y
=
∑
k
=
0
K
w
k
T
k
(
L
^
)
f
θ
(
X
)
\mathbf{Y}=\sum_{k=0}^Kw_kT_k(\hat{\mathbf{L}})f_\theta\left(\mathbf{X}\right)
Y=k=0∑KwkTk(L^)fθ(X)
其中,
f
θ
f_{\theta}
fθ表示为MLP
很显然,chebnet获得了最差的性能.
我们认为是切比雪夫基学习到了非法系数导致的.
定义一个在
[
−
1
,
1
]
[-1,1]
[−1,1]之间的连续函数f,切比雪夫扩展被定义为:
f
(
x
)
=
∑
k
=
0
∞
w
k
T
k
(
x
)
\begin{aligned}f(x)=\sum_{k=0}^\infty w_kT_k(x)\end{aligned}
f(x)=k=0∑∞wkTk(x)
其中,
w
k
w_{k}
wk被定义为切比雪夫系数.由于如上的经验,因此切比雪夫系数必须被限制
定理2.1:
如果f(x)在边界弱奇异且在
(
−
1
,
1
)
(-1,1)
(−1,1)内可解析,切比雪夫系数将会逐渐减少(
k
→
∞
k\to \infty
k→∞)至
1
k
q
\frac{1}{k^{q}}
kq1,q是正常数.弱奇异指的是f的求导可能在边界处消失.
逼近解析函数的能力对于逼近光谱过滤器的任务至关重要,因为非解析过滤器器很难多项式逼近,并有可能导致过度逼近.而chebnet和chebbase的系数
w
k
w_{k}
wk没有任何限制,只是通过梯度下井求得,这不满足如上定理2.1,会导致弱的性能.利用定理2.1,我们创造了ChebBase/k
Y
=
∑
k
=
0
K
w
k
k
T
k
(
L
^
)
f
θ
(
X
)
(6)
\mathbf{Y}=\sum_{k=0}^K\frac{w_k}kT_k(\hat{\mathbf{L}})f_\theta (\mathbf{X})\tag{6}
Y=k=0∑KkwkTk(L^)fθ(X)(6)
经过实验,我们发现ChebBase/k效果最好.受此驱动,我们提出了ChebNetII
Chebnet II
尽管
C
h
e
b
n
e
t
/
k
Chebnet / k
Chebnet/k似乎得到了应有的性能,它仍然有很多的缺点:
1.对系数施加惩罚在数学上并不美观
2.很难对学到的光谱过滤器进行进一步的限制.例如,目前我们不知道如何去修改公式6来去获得一个非负的过滤器
为此,我们引入了切比雪夫差值:
切比雪夫差值:
考虑到一个现实中的过滤函数
h
(
λ
^
)
h(\hat{\lambda})
h(λ^)在
[
−
1
,
1
]
[-1,1]
[−1,1]内连续,当这个过滤器在有限个点
λ
k
\lambda_{k}
λk上已知,我们可以用如下多项式近似:
h
(
λ
^
k
)
=
P
K
(
λ
^
k
)
h(\hat{\lambda}_k)=P_K(\hat{\lambda}_k)
h(λ^k)=PK(λ^k)
我们生成K+1个采样点
λ
^
0
<
λ
^
1
<
.
.
.
<
λ
^
K
\hat{\lambda}_0<\hat{\lambda}_1<...<\hat{\lambda}_K
λ^0<λ^1<...<λ^K在
[
−
1
,
1
]
[-1,1]
[−1,1]中,取构造
P
K
(
λ
^
)
P_K(\hat{\lambda})
PK(λ^).直观来说,提升K可以提高逼近的质量.然而,由于龙格现象,前者不经常成立.解决之的一个方法就是切比雪夫差值,它有优越的近似能力和更快的收敛速度.切比雪夫差值用切比雪夫节点作为差值点,这些点的本质是第k+1个切比雪夫方程的零点.
定义3.1切比雪夫点
切比雪夫多项式
T
k
(
x
)
T_{k}(x)
Tk(x)满足近似表达:
T
k
(
x
)
=
cos
(
k
arccos
(
x
)
)
.
T_{k}(x) = \operatorname{cos}\left(k\operatorname{arccos}(x)\right).
Tk(x)=cos(karccos(x)).切比雪夫点
T
k
(
x
)
T_{k}(x)
Tk(x)被定义为:
x
j
=
cos
(
2
j
+
1
k
π
)
,
j
=
0
,
1
,
…
,
k
−
1
x_{j}=\cos\left( \frac{2j+1}{k}\pi \right),j=0,1,\dots,k-1
xj=cos(k2j+1π),j=0,1,…,k−1他们位于区间(-1,1)内,是
T
k
(
x
)
T_{k}(x)
Tk(x)的零点.
定理3.1表明切比雪夫多项式有k个零点.
定理3.2切比雪夫差值
给定一个连续的过滤函数
h
(
λ
^
)
h(\hat{\lambda})
h(λ^),
x
j
=
cos
(
2
j
+
1
k
π
)
,
j
=
0
,
1
,
…
,
k
x_{j}=\operatorname{cos}\left(\frac{2j+1}{k}\pi\right),j=0,1,\ldots,k
xj=cos(k2j+1π),j=0,1,…,k表示切比雪夫点,
h
(
x
j
)
h(x_{j})
h(xj)表示节点
x
j
x_{j}
xj,切比雪夫差值
h
(
λ
^
)
h(\hat{\lambda})
h(λ^)可以被定义为:
P
K
(
λ
^
)
=
∑
k
=
0
K
c
k
′
T
k
(
λ
^
)
,
c
k
=
2
K
+
1
∑
j
=
0
K
h
(
x
j
)
T
k
(
x
j
)
,
P_K(\hat{\lambda})=\sum_{k=0}^Kc_k'T_k(\hat{\lambda}),c_k=\frac{2}{K+1}\sum_{j=0}^Kh(x_j)T_k(x_j),
PK(λ^)=k=0∑Kck′Tk(λ^),ck=K+12j=0∑Kh(xj)Tk(xj),
其中,
c
0
′
=
c
0
/
2
,
c
1
′
=
c
1
,
…
,
c
K
′
=
c
K
.
c_0'=c_0/2, c_1'=c_1,\ldots,c_K'=c_K.
c0′=c0/2,c1′=c1,…,cK′=cK..
受到切比雪夫差值激励,它以最佳的收敛率逼近任意频谱的滤波器
h
(
λ
^
)
h(\hat{\lambda})
h(λ^),ChebNetII重新参数过滤器
h
(
x
j
)
h(x_{j})
h(xj),具体的是,ChebNetII 模型可以被定义为:
Y
=
2
K
+
1
∑
k
=
0
K
∑
j
=
0
K
γ
j
T
k
(
x
j
)
T
k
(
L
^
)
f
θ
(
X
)
,
\mathbf{Y}=\frac2{K+1}\sum_{k=0}^K\sum_{j=0}^K\gamma_jT_k(x_j)T_k(\hat{\mathbf{L}})f_\theta(\mathbf{X}),
Y=K+12k=0∑Kj=0∑KγjTk(xj)Tk(L^)fθ(X),
在这里,
x
j
=
c
o
s
(
(
j
+
1
/
2
)
π
/
(
K
+
1
)
)
\begin{aligned}x_j=cos\left(\left(j+1/2\right)\pi/(K+1)\right)\end{aligned}
xj=cos((j+1/2)π/(K+1))是
T
K
+
1
T_{K+1}
TK+1切比雪夫节点.
f
θ
f_{\theta}
fθ表示在节点x上的MLP,
γ
j
for
j
=
0
,
1
,
.
.
.
,
K
\gamma_j\text{ for }j=0,1,...,K
γj for j=0,1,...,K是可学习的参数.
ChebNetII --基于切比雪夫差值
具体的是,ChebNetII
y
≈
2
K
+
1
∑
k
=
0
K
∑
j
=
0
K
γ
j
T
k
(
x
j
)
T
k
(
L
^
)
x
.
\mathbf{y}\approx\frac2{K+1}\sum_{k=0}^K\sum_{j=0}^K\gamma_jT_k(x_j)T_k(\hat{\mathbf{L}})\mathbf{x}.
y≈K+12k=0∑Kj=0∑KγjTk(xj)Tk(L^)x.
很容易看到,与原始的ChebNet相比,我们仅仅参数化系数
w
k
w_{k}
wk通过
w
k
=
2
K
+
1
∑
j
=
0
K
γ
j
T
k
(
x
‾
j
)
w_k=\frac2{K+1}\sum_{j=0}^K\gamma_jT_k(\underline{x}_j)
wk=K+12j=0∑KγjTk(xj)
然而,这个小小的修改允许我们对最终过滤器的形状进行更多的控制,因为切比雪夫差值表明
γ
j
\gamma_{j}
γj直接对应过滤器值
h
(
x
i
)
h(x_{i})
h(xi)对于切比雪夫节点.相关系数
w
k
=
2
K
+
1
∑
j
=
0
K
h
(
x
j
)
T
k
(
x
j
)
w_k = \frac{2}{K+1}\sum_{j=0}^{K}h(x_j)T_k(x_j)
wk=K+12∑j=0Kh(xj)Tk(xj)从根本上满足定义2.1因为我们直接逼近过滤器
h
h
h.此外,切比雪夫多项式也提供了几个好的数学性质.
杂乱
ChebNet的结构是:
Y
=
∑
k
=
0
K
T
k
(
L
^
)
X
W
k
\mathbf{Y}=\sum_{k=0}^KT_k(\hat{\mathbf{L}})\mathbf{X}\mathbf{W}_k
Y=k=0∑KTk(L^)XWk
ChebnNet作者指出了原始的频谱图卷积有两大缺点:
1.图卷积核是全局的且参数量大 (卷积核大小与输入信号相同,参数量与图节点数相同)
2. 图卷积运算的复杂度高 (运算过程涉及高计算复杂度的特征分解)
为了克服卷积核过大的缺点,ChebNet指出可以使用多项式展开近似计算图卷积,即对参数化的频率响应函数进行多项式近似:
g
θ
(
Λ
)
≈
∑
k
−
1
θ
k
Λ
k
g_\theta(\Lambda)\approx\sum^{k-1}\theta_k\Lambda^k
gθ(Λ)≈∑k−1θkΛk
y
=
U
g
θ
(
Λ
)
U
T
x
=
U
(
∑
k
=
0
K
θ
k
Λ
k
)
U
T
x
y=Ug_{\theta}(\Lambda)U^{T}x=U(\sum_{k=0}^{K}\theta_{k}\Lambda^{k}) U^{T}x
y=Ugθ(Λ)UTx=U(k=0∑KθkΛk)UTx
但是,整个图卷积的复杂度还是ON2,为了降低复杂度,作者使用迭代定义的切比雪夫多项式做近似.
1.切比雪夫的递归定义
[
T
0
(
x
)
=
1
T
1
(
x
)
=
x
T
n
+
1
(
x
)
=
2
x
T
n
(
x
)
−
T
n
−
1
(
x
)
2.切比雪夫卷积核
[
g
θ
′
(
Λ
)
≈
∑
k
=
0
K
θ
k
′
T
k
(
Λ
~
)
Λ
~
=
2
λ
max
Λ
−
I
N
]
3.切比雪夫图卷积
[
g
θ
′
⋆
x
≈
∑
k
=
0
K
θ
k
′
T
k
(
L
~
)
x
L
~
=
2
λ
max
L
−
I
N
]
\begin{aligned}&\text{1.切比雪夫的递归定义}\left[\begin{array}{c}T_0(x)=1\\T_1(x)=x\\T_{n+1}(x)=2xT_n(x)-T_{n-1}(x)\end{array}\right.\\&\text{2.切比雪夫卷积核}\left[\begin{array}{c}g_{\theta^{\prime}}(\Lambda)\approx\sum_{k=0}^K\theta_k^{\prime}T_k(\tilde{\Lambda})\\\tilde{\Lambda}=\frac2{\lambda_{\max}}\Lambda-I_N\end{array}\right]\\&\text{3.切比雪夫图卷积}\left[\begin{array}{c}g_{\theta^{\prime}}\star x\approx\sum_{k=0}^K\theta_k^{\prime}T_k(\tilde{L})x\\\\\tilde{L}=\frac2{\lambda_{\max}}L-I_N\end{array}\right]\end{aligned}
1.切比雪夫的递归定义
T0(x)=1T1(x)=xTn+1(x)=2xTn(x)−Tn−1(x)2.切比雪夫卷积核[gθ′(Λ)≈∑k=0Kθk′Tk(Λ~)Λ~=λmax2Λ−IN]3.切比雪夫图卷积
gθ′⋆x≈∑k=0Kθk′Tk(L~)xL~=λmax2L−IN
y
=
g
θ
′
(
L
)
x
=
∑
k
=
0
K
θ
k
′
T
k
(
L
~
)
x
=
θ
0
′
T
0
(
L
~
)
x
+
θ
1
′
T
1
(
L
~
)
x
+
θ
2
′
T
2
(
L
~
)
x
+
⋯
+
θ
K
′
T
K
(
L
~
)
x
=
θ
0
′
x
ˉ
0
+
θ
1
′
x
ˉ
1
+
θ
2
′
x
ˉ
2
+
⋯
+
θ
K
′
x
ˉ
K
=
[
x
ˉ
0
x
ˉ
1
.
.
.
x
ˉ
K
]
[
θ
0
′
θ
1
′
.
.
.
θ
K
′
]
\begin{aligned}y=g_{\theta^{\prime}}(L)x&=\sum_{k=0}^{K}\theta_{k}^{\prime}T_{k}(\tilde{L})x\\&=\theta_{0}^{\prime}T_{0}(\tilde{L})x+\theta_{1}^{\prime}T_{1}(\tilde{L})x+\theta_{2}^{\prime}T_{2}(\tilde{L})x+\cdots+\theta_{K}^{\prime}T_{K}(\tilde{L})x\\&=\theta_{0}^{\prime}\bar{x}_{0}+\theta_{1}^{\prime}\bar{x}_{1}+\theta_{2}^{\prime}\bar{x}_{2}+\cdots+\theta_{K}^{\prime}\bar{x}_{K}\\&=[\bar{x}_{0}\:\bar{x}_{1}\:...\:\bar{x}_{K}][\theta_{0}^{\prime}\:\theta_{1}^{\prime}\:...\theta_{K}^{\prime}]\end{aligned}
y=gθ′(L)x=k=0∑Kθk′Tk(L~)x=θ0′T0(L~)x+θ1′T1(L~)x+θ2′T2(L~)x+⋯+θK′TK(L~)x=θ0′xˉ0+θ1′xˉ1+θ2′xˉ2+⋯+θK′xˉK=[xˉ0xˉ1...xˉK][θ0′θ1′...θK′]
Calculating
x
ˉ
k
=
2
L
~
x
ˉ
k
−
1
−
x
ˉ
k
−
2
cot
O
(
E
)
Total complexity:
O
(
K
E
)
\begin{array}{l}{\text{Calculating }\bar{x}_{k}=2\tilde{L}\bar{x}_{k-1}-\bar{x}_{k-2}\cot O(E)}\\{\text{Total complexity: }O(KE)}\end{array}
Calculating xˉk=2L~xˉk−1−xˉk−2cotO(E)Total complexity: O(KE)
ChebNet结论:
要学一个filter,filter需要学一族参数
θ
\theta
θ,做filter的方式就是把信号用迭代的方式算到k次方,相乘得到filter完整的信号
受切比雪夫图卷积的启发,Thomas等人(GCN的作者)提出了一种更加简单的图卷积变种GCN。GCN相当于对一阶切比雪夫图卷积的再近似。在切比雪夫卷积核定义的基础上,我们令多项式的阶数K=1,再令矩阵L的大特征值为2(带来的缩放效应可以通过网络学习自动适应),则图卷积运算过程可以按如下过程进一步简化:
令
K
=
1
,
λ
max
≈
2
g
θ
′
⋆
x
≈
θ
0
′
x
+
θ
1
′
(
L
−
I
N
)
x
=
θ
0
′
x
−
θ
1
′
D
−
1
2
A
D
−
1
2
x
令
θ
=
θ
0
′
=
−
θ
1
′
g
θ
⋆
x
≈
θ
(
I
N
+
D
−
1
2
A
D
−
1
2
)
x
令
I
N
+
D
−
1
2
A
D
−
1
2
→
D
~
−
1
2
A
~
D
~
−
1
2
,
A
~
=
A
+
I
N
并将图信号
x
推广到多维数据R
n
×
c
,
可得
Z
=
D
~
−
1
2
A
~
D
~
−
1
2
X
Θ
\begin{aligned} & 令K=1,\lambda_{\max}\approx2\\ & g_{\theta^{\prime}}\star x\approx\theta_0^{\prime}x+\theta_1^{\prime}\left(L-I_{N}\right)x\\ & =\theta_0^{\prime}x-\theta_1^{\prime}D^{-\frac12}AD^{-\frac12}x\\ & \text{令}\theta=\theta_0^{\prime}=-\theta_1^{\prime}\\ & g_{\theta}\star x\approx\theta\left(I_{N}+D^{-\frac{1}{2}}AD^{-\frac{1}{2}}\right)x\\ & \text{令}I_{N}+D^{-\frac{1}{2}}AD^{-\frac{1}{2}}\to\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}},\tilde{A}=A+I_{N}\\ & \text{并将图信号}x\text{推广到多维数据R}^{n\times c},\text{ 可得}\\ & Z=\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}X\Theta\end{aligned}
令K=1,λmax≈2gθ′⋆x≈θ0′x+θ1′(L−IN)x=θ0′x−θ1′D−21AD−21x令θ=θ0′=−θ1′gθ⋆x≈θ(IN+D−21AD−21)x令IN+D−21AD−21→D~−21A~D~−21,A~=A+IN并将图信号x推广到多维数据Rn×c, 可得Z=D~−21A~D~−21XΘ GCN的卷积核更小,参数量也更少,计算复杂度也随之减小,可以说是将简化进行到了极致,它等价于最简的一阶切比雪夫卷积