本文探讨了图卷积的概念，包括局部卷积核、平移不变性和非欧数据上的卷积。重点介绍了谱方法和空间方法在图卷积网络中的应用，如傅里叶变换、小波基的使用以及参数共享问题。同时，讨论了图卷积的优化策略，如变换卷积核和选择不同邻域节点的方法。文章还对比了谱方法与空间方法，并提及了平滑滤波在图像处理中的作用。最后，提出了图神经网络在实际应用中的挑战和未来方向。
https://space.bilibili.com/34394939/favlist?fid=note
局部的卷积核学习到局部的特征。
卷积核的平移不变性。
把欧式定义的卷积迁移到非欧数据上。
复杂网络的度为重维分布。
卷积是两个函数的数学运算。
卷积更基本的原理就是图上的信号处理。
谱方法：谱方法是空间方法的子集。
在节点域中，不满足平移不变性，因此把图上的信号变为谱域，在谱域实现卷积，再返回节点域。
空间方法：仍试图在节点域上直接实现，解决参数共享问题。
图卷积网络的输入输出：
谱方法---------------------------------------------------------------------------------------
实现x的图信号往谱域的投影，y作为卷积核的信号，也投到谱域。
（傅里叶变换）
1、傅里叶变换，输入信号x投影到谱域；
2、对变换后的信号做卷积，g-sita是真正的卷积核；
3、傅里叶逆变换，转回节点域；
该方法对谱方法提出有贡献。
依赖于拉普拉斯特征向量，复杂度高。
其三个代价：
+++++++++++++++++++++++++++++++++++++++++++
最低0.47元/天 解锁文章
1163
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
