图神经网络论文阅读(九) Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks，NeurIPS2019

本文作者来自加拿大McGill University。
本文首先分析了影响图卷积网络表达能力的关键因素，包括激活函数和浅层学习机制。之后提出了一种基于block Krylov subspace的谱卷积近似代替的方案，这样可以对GCN做深度的推广。在此基础上提出了两种不同架构的模型：Snowball和Truncated Block。
在具体看本文之前，首先需要了解Krylov subspace。话说回来本文用到了很多本科时候现线代和高数的知识，哎只可惜都忘得差不多了。

1.Krylov subspace

首先说子空间，它包含非零元素，并且加法和乘法需要满足封闭性（加法乘法的结果还在这个空间中）。
Krylov被用于快速线性方程组近似求解（本节的图都出自于哔哩哔哩：https://www.bilibili.com/video/BV13t411g7VD?from=search&seid=5074416216624462251 以及另一篇博客：https://blog.csdn.net/qq_39521554/article/details/79913323）。假设我有一个线性方程组：

为了求它的解，需要 x =