GCN:从卷积理论到拉普拉斯矩阵

卷积理论 > 傅里叶变换 > 拉普拉斯矩阵 > 逆傅里叶变换

我总是从半截开始讲，有老师提出过我这个问题。我是理解cnn（卷积神经网络）的如果你不懂可以[百度一下][1]，cnn、gcn都是在做卷积所以理解gcn的时候就想着往cnn的操作去靠。这样的想法是在看了[gcn][2]多变后，有点乱所以这样来撸一下。

卷积理论

卷积定理：函数卷积的傅里叶变换是函数傅立叶变换的乘积，即对于函数 f(t) 与 h(t)两者的卷积是其函数傅立叶变换乘积的逆变换：

当看到这个卷积定理和其对应的公式时，我们会有很多不懂的东西，所以我的习惯是带着问题去理解（自顶向下）
问题：
1.傅里叶变换；
2.拉普拉斯变换，傅里叶变换用到了它 ；
3.傅里叶逆变换。

傅里叶变换

传统傅里叶变换定义：

定义符号注释：信号 f(t) 与基函exp(-iwt) 的积分，那么为什么要找exp(-iwt) 作为基函数呢？从数学上看，exp(-wit)是拉普拉斯算子的特征函数（满足特征方程）,w就和特征值有关()。
有解释说：
1拉普拉斯矩阵L=离散拉普拉斯算子
2拉普拉斯矩阵的特征向量u=拉普拉斯算子的特征函数exp(-iwt)
对比到Graph上的傅里叶变换公式为：

f是Graph上的 N 维向量， f(i) 与Graph的顶点一一对应， u_l(i)表示第 l 个特征向量的第 i 个分量。那么特征值（频率)λ_l 下的， f 的Graph 傅里叶变换就是与λ _l 对应的特征向量 u_l 进行内积运算。
傅里叶变换中提到了拉普拉斯矩阵,下面说一下拉普拉斯矩阵及其普分解，矩阵的普分解就是特征分解。

拉普拉斯矩阵

在Graph中 拉普拉斯矩阵是怎样得到的呢?
公式：L=D-A,其中L为拉普拉斯矩阵，D为Graph中节点的度，A为图的邻接矩阵。

拉普拉斯矩阵的特征分解

其中 U=(u1,u2,u3…un) ，是列向量为单位特征向量的矩阵，也就说 ui 是列向量。

是n个特征值构成的对角阵
大家都知道广义的特征方程：AⅤ=λⅤ,A是一种变换，Ⅴ是特征向量或特征函数，λ是特征值。拉普拉斯矩阵L的特性是满足特征方程中的A,同样有：LⅤ=λⅤ.
这里的特征值和特征向量正好对应到Graph的傅里叶变换中的与特征值λ相关的w,Ⅴ对应到其中的u.

傅里叶逆变换

卷积定理中提到卷积操作是函数傅里叶变换积的逆变换，
简化的傅里叶变换为：$$\hat{f}=U^{T}f$$
傅里叶逆变换：$$f=U\hat{f}$$
将卷积定理推广到Graph上来为：函数卷积的傅里叶变换是函数傅立叶变换的乘积，即对于函数 f(t) 与 h(t)两者的卷积是其函数傅立叶变换乘积的逆变换

$$f\ast h={\mathcal{F}}^{-1}\left[\hat{f}(\omega )\hat{h}(\omega )\right]=\frac{1}{2\Pi }{\int }_{}^{}\hat{f}(\omega )\hat{h}(\omega )e^{i\omega t}d\omega$$
卷积核 h 的傅里叶变换写成对角矩阵的形式即为：$$\left(\begin{array}{ccc}\hat{h}({\lambda }_1)& & \\ & \ddots & \\ & & \hat{h}({\lambda }_n)\end{array}\right)$$

两者的傅立叶变换乘积即为： $$\left(\begin{array}{ccc}\hat{h}({\lambda }_1)& & \\ & \ddots & \\ & & \hat{h}({\lambda }_n)\end{array}\right)U^{T}f$$
再乘以 U 求两者傅立叶变换乘积的逆变换，则求出卷积：$$(f\ast h{)}_G=U\left(\begin{array}{ccc}\hat{h}({\lambda }_1)& & \\ & \ddots & \\ & & \hat{h}({\lambda }_n)\end{array}\right)U^{T}f(1)$$

ps:试着去写吧
[1]: https://blog.csdn.net/v_JULY_v/article/details/51812459
[2]: https://blog.csdn.net/weixin_40013463/article/details/81089223