[论文笔记] [2016] [NIPS] Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering

这篇论文是2016 NIPS上的一篇论文。从标题就可以看出这篇论文的特点所在：Fast Localized Spectral Filtering。这篇论文的主要贡献在于：

1. 改进了Spectral Networks，设计了 localized filter on graph，并且计算复杂度较低；
2. 提出了一种较为有效的 pooling 策略。

Learning Fast Localized Spectral Filters

作者总结了将卷积推广到图上的三步骤：

1. the design of localized convolutional filters on graphs;
2. a graph coarsening （见《深入浅出图神经网络中》翻译成“图塌缩”）procedure that groups together similar vertices;
3. a graph pooling operation that trades spatial resolution for higher filter resolution.

之前的 spectral networks，并不具备局部连接的特性，并且在图卷积层运算时，傅里叶变换的矩阵乘法的时间复杂度较高。

Polynomial parametrization for localized filters

针对这两个问题，作者借助泰勒展开去近似任意函数，从而将卷积核展开为：
$$g_{\theta }(\Lambda )=\sum _{k=0}^{K-1}{\theta }_k{\Lambda }^k$$
其中 $\theta \in {\mathbb{R}}^K$为可训练的多项式系数。如果将上式代入到$y=U{g}_{\theta }(\Lambda )U^{T}x$ 可得到
$$y=\sum _{k=0}^K{\theta }_k{L}^{k}x$$
设定 $x^{(}$