Semi-Supervised Classification with Graph Convolutional Networls中谈到的图卷积的发展

原始图卷积

核心思想：借助傅里叶变换，将原始信号X变换到频域，在频域上乘一个信号，再做傅里叶逆变换回到时域。

卷积公式：
$$g\theta \ast x=Ug\theta U^{T}x$$
其中:
gθ就是在频域中的一个filter，也称为为卷积核。
U是图的拉普拉斯矩阵L的特征向量矩阵。
拉普拉斯矩阵：
$$L=I_N-D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}=U\Delta U^T$$
可以简单理解为，对拉普拉斯矩阵L进行了特征分解，得到特征值组成的对角矩阵Δ和特征向量组成的矩阵U

存在的问题：
对于拉普拉斯矩阵进行特征分解的计算过程非常复杂，如果图的规模较大，顶点的个数多时，会带来巨大的计算开销。

快速图卷积

核心思想：在原始图卷积的基础上，利用切比雪夫多项式进行K阶逼近这个时域的卷积核。

切比雪夫多项式：
$$T_0(x)=1;$$
$$T_1(x)=x;$$
$$T_k(x)=2x{T}_{k-1}(x)-T_{k-1}(x)$$
利用切比雪夫多项式近似逼近卷积核
$$g\theta \ast x\approx \sum _{k=0}^K{\theta }_k{T}_k(\tilde{L})x$$
其中：
$$\tilde{L}=\frac{2}{{\lambda }_{max}}L-I_N$$
是拉普拉斯矩阵L中最大的特征值

总结：
这时候的图卷积将需要的参数降到了K个，并且不需要进行拉普拉斯矩阵的特征分解，很大程度上降低了计算难度

线性图卷积

核心思想：快速图卷积中，K的次数表示的是顶点受到距离中央顶点K步以内的顶点的影响。当K=1时，则只在乎顶点与其相邻顶点之间的影响。

假设
$$\tilde{L}=\frac{2}{{\lambda }_{max}}L-I_N\approx 2$$
那么原始图卷积中提到的卷积公式就可以近似为：
$$g\theta \ast x=\sum _{k=0}^K{\theta }_k{T}_k(\tilde{L})x={\theta }_{0}x+{\theta }_1(L-I_N)x={\theta }_{0}x-{\theta }_1{D}^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}x$$
将上式联立拉普拉斯矩阵的特征分解公式：
$$L=I_N-D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}=U\Delta U^T$$
并令$$\theta ={\theta }_0=-{\theta }_1$$
可以得到
$$g\theta \ast x\approx \theta (I_N+D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}})x$$
归一化
$$I_N+D^{-\frac{1}{2}}A{D}^{-\frac{1}{2}}\to {\tilde{D}}^{-\frac{1}{2}}\tilde{A}{\tilde{D}}^{\frac{1}{2}}$$
$$\tilde{A}=A+I_N$$
$${\tilde{D}}_{ii}=\sum _j{\tilde{A}}_{ij}$$
可以得到
$$g\theta \ast x\approx ({\tilde{D}}^{-\frac{1}{2}}\tilde{A}{\tilde{D}}^{\frac{1}{2}})X\theta$$
在神经网络模型之中，就可以表示为：
$$H^{(l+1)}=\sigma ({\tilde{D}}^{-\frac{1}{2}}\tilde{A}{\tilde{D}}^{\frac{1}{2}}{H}^{(l)}{W}^{(l)})$$