回顾频谱图卷积的经典工作：从ChebNet到GCN

从2018年起，图神经网络(GNN)开始受到了额外的关注，成为了一个新的热点。在2019年CVPR所有录用的论文中，关键字graph出现的次数就从2018年的15次增长到了45次，增长态势凶猛。其中许多工作都与GCN相关(比如之前解读过的IGCN)，这是一篇被ICLR2017会议录用的频谱图卷积工作，非常经典。而GCN又来源于对ChebNet的进一步简化与近似，他们都属于在频域上定义的图卷积网络。本文将对ChebNet和GCN这两个经典方法进行梳理，重点解释GCN从ChebNet的简化过程，原始论文可参考：
[1] Convolutional neural networks on graphs with fast localized spectral filtering (NIPS2016)
[2] Semi-supervised classification with graph convolutional networks (ICLR17)

另外，本文的内容与之前的解读文相关，一些预备知识已在下文中说明，本文不再赘述。
[3] 【CVPR2019论文解读】具有高标签利用率的图滤波半监督学习方法

  频谱图卷积的一般形式

图的结构不像二维网格那样稳定，每个图节点的度不尽相同，所以无法像CNN一样直接在空间域(节点域)上为所有节点使用相同大小的局部图卷积核。于是研究者们提出可以在频域上定义卷积，因为在空间域的卷积其实就相当于