卷积的谱方法和空间方法的简单理解

首先是卷积的谱方法。

输入是给定一个图或者超图，记作G=(V,E,W)，V表示点集，E表示边集，W表示每条边的权重。

由于L拉普拉斯算子是一个半正定的矩阵，那么它可以被表示，其中，是由特征值组成的对角矩阵。

对应每个顶点，可能存在一个向量x，这个x是原始信号，那么就是原始信号在谱域的表达，如果想把谱域中的信号在变回去，只要与U相乘就可以了。

基于以上，对于卷积的定义就能表示为把原始信号x和作为卷积核的信号y投影到谱域中做点积，然后在重新回来，这里利用卷积定理。

这个公式是怎么来的呢，主要是卷积核并不是在原始空间中，而是在谱域里面了，那么就不需要投影了，整个谱卷积就分三步：

1. 把x投影到谱域中，x。
2. 利用卷积核进行运算 
3. 最后回到原始空间中去

然后再到这个式子，是因为gθ不再是自由参数了，而是受控制的，这样就降低了分解L的需求，降低了计算复杂度

空间方法

分三步：1、给定一个节点之后，找到它的邻居。2、给邻居顶个序。3、参数共享。

随机行走：邻居要那么多节点啊，我懒得挑，随机选得了

GCN：每个节点把一阶邻居的特征变换后聚合下就得了，基本没卷积，只是加权平均

注意力：把注意力当成卷积核

值得注意的是，谱方法只是空间方法的特例谱方法需要显示定义空间以及卷积核，而空间方法不需要定义空间，只需要卷积核，空间可以是透明的。