Spectral-GNN 与 Spatial-GNN 对比

不管是 Spectral-GNN 还是 Spatial-GNN 最后都是收集领域节点的特征信息来更新自己的节点信息。只是出发点不同。

Spatial-GNN：是直接推广 CNN 的加权求和思想，使用不同的领域节点采样方法和不同加权求和方法来更新节点特征。
Spectral-GNN：是从 CNN 的卷积定理，f 和 g 的卷积是 f 和 g 傅里叶变换之后乘积的傅里叶逆变换。然后通过拉普拉斯矩阵来实现傅里叶变换和逆傅里叶变换。
虽然看上去差别较大，但是都是殊途同归的，最后发现 Spectral-GNN 最后也可以看成一个采样领域节点和加权求和的方式，可以把 GCN 看成很多 Spatial-GNN 的特例，例如 Monet 和 GraphSAGE 等。

上面的部分参考自：Graph Neural Networks (GNN)（四）：Spectral-GNN 与 Spatial-GNN 对比_spatial spectral gnn_CaoChengtai的博客-CSDN博客

Spectral-GNN 基于图信号处理中的谱理论，将图上的节点表示为傅里叶基函数的线性组合，并利用拉普拉斯矩阵的特征向量进行变换和特征提取。Spectral-GNN 的优点是能够考虑全局信息，适用于具有较为规则的拓扑结构的图，但对于非规则的图结构表现不佳。

Spatial-GNN 则基于空间结构，通过卷积运算在局部邻域内进行信息传递，直接处理节点之间的几何关系，适用于具有非规则的图结构。Spatial-GNN 的优点是可以处理不同类型的图结构，具有很好的可扩展性。

需要根据具体的任务需求来选择合适的 GNN 架构。如果任务需要考虑全局信息，且图具有较为规则的拓扑结构，则可以选择 Spectral-GNN；如果任务需要处理非规则的图结构，则可以选择 Spatial-GNN。实际应用中，也可以结合两种架构的优点，设计混合型的 GNN 模型，以提高性能。