图卷积网络概述笔记

开一个博客把基础概念给记录下来，随笔瞎记呗

谱方法

谱方法在谱域定义卷积操作，把图变换到谱域进行卷积之后再变换到图域。
给定无向图G=(V,E,W)，点集V（n=|V|)，边集E，权带权邻接矩阵$W\in R^{n\times n}$，或者就是邻接矩阵$A\in R^{n\times n}$。每个节点如果有d维特征，所有节点的特征矩阵就是$X\in R^{n\times d}$

图的拉普拉斯矩阵：L=D-W或者L=D-A，D是度矩阵${\mathbf{D}}_{ii}={\sum }_j\left({\mathbf{A}}_{i,j}\right)$，拉普拉斯矩阵定义了图上的导数（信号的平滑程度），进一步地 normalized graph laplacian：
$$\mathbf{L}=\mathbf{I}-{\mathbf{D}}^{-\frac{1}{2}}\mathbf{A}{\mathbf{D}}^{-\frac{1}{2}}$$

I是单位阵，L矩阵是实对称半正定矩阵就可以进行矩阵分解：$L=U\Lambda U^T$，其中$\mathbf{U}=\left[{\mathbf{u}}_1,{\mathbf{u}}_2,\cdots ,{\mathbf{u}}_{\mathbf{n}}\right]\in {\mathbf{R}}^{n\times n}$，就是特征向量矩阵；而$\Lambda$是特征值的对角矩阵$\Lambda =\mathrm{diag}\left(\left[{\lambda }_1,\cdots ,{\lambda }_n\right]\right)$，这一组特征向量相互正交（$U^{T}U=1$)，把这些特征向量作为一组正交基，对图信号$x\in R^n$进行傅里叶变换：$\hat{\mathbf{x}}={\mathbf{U}}^T\mathbf{x}$，对应反变换：$\mathbf{x}=\mathbf{U}\hat{\mathbf{x}}$。
对于输入信号$x\in R^n$，滤波器$g\in R^n$的卷积操作就可以在谱域下定义为：
$$x{\ast }_{G}y=U\left(\left({\mathbf{U}}^T\mathbf{x}\right)\odot \left({\mathbf{U}}^{T}g\right)\right)$$

$\odot$表示点乘，而${\mathbf{U}}^T\mathbf{x}\in R^{n\times 1}$，可以设${\mathbf{U}}^{T}g={\left[{\mathbf{\theta }}_1,\cdots ,{\mathbf{\theta }}_n\right]}^T$，同时设$g_{\theta }=\mathrm{diag}\left(\left[{\theta }_1,\cdots ,{\theta }_n\right]\right)$，就可以将上式的点积变成矩阵乘积：
$$x$$