Graph相关内容的理解

度 / 自由度的理解

  • 度(degree)/ 自由度,也叫valency(直译化合价),是指Graph(图)中一个节点,有多少条边连接其上。

  • 图的度是其所有节点的度中最大值。对于“度”的理解,结合自由度,和化合价这个英文原词来理解,本意应该是衡量一个节点与外界连通性的度量。

  • 例如在计算二阶导数时

    • 一元函数(一维函数)其公式如下,直观上可以理解为:其二阶导数等于其在所有自由度上微扰之后获得的增益。一维函数其自由度可以理解为2,分别是+1方向和-1方向.

    f(x)=2f(x)x2=f(x)f(x1)=f(x+1)f(x)(f(x)f(x1))=f(x+1)+f(x1)2f(x)=[f(x+1)f(x)]+[f(x1)f(x)]\begin{aligned} f^{\prime \prime}(x) = \frac{\partial^2 f(x)}{\partial x^2} &= f^{\prime}(x)-f^{\prime}(x-1) \\ &= f(x+1) - f(x) - (f(x) - f(x-1)) \\ &= f(x+1) + f(x-1) - 2f(x) \\ &= [f(x+1) - f(x)] + [f(x-1) - f(x)] \end{aligned}

    • 二元函数(二维函数)其二阶导数如下,直观理解时可以类比二维图像(二维图像可以看做特殊形式的二维函数),类似一维函数的二阶导数,只是二维函数的自由度更多(用于计算函数二阶导数的方向),下面公式包含了4个自由度,(1,0),(1,0),(0,1),(0,1)(1, 0), (-1,0), (0, 1), (0, -1).

    (Δf)x,y=f(x,y)x2+f(x,y)y2f(x+1,y)+f(x1,y)2f(x,y)+f(x,y+1)+f(x,y1)2f(x,y)=f(x+1,y)+f(x1,y)+f(x,y+1)+f(x,y1)4f(x,y)=[f(x+1,y)f(x,y)]+[f(x1,y)f(x,y)]+[f(x,y+1)f(x,y)]+[f(x,y1)f(x,y)]\begin{aligned} (\Delta f)_{x,y} &= \frac{\partial f(x,y)}{\partial x^2} + \frac{\partial f(x,y)}{\partial y^2} \\ &\approx f(x+1,y) + f(x-1,y) - 2f(x,y) + f(x, y+1)+f(x,y-1)-2f(x,y) \\ & = f(x+1,y) + f(x-1,y) + f(x, y+1)+f(x,y-1)-4f(x,y) \\ &= [f(x+1,y) - f(x,y)]+[f(x-1,y) - f(x,y)]+[f(x,y+1) - f(x,y)]+[f(x,y-1) - f(x,y)] \end{aligned}

    • 参考链接1,其实《数字图像处理》书中对于二阶导数的定义也是考虑到了8个自由度。

      (对于图像的二阶导数)还可以任意的定义自由度,比如对角线也算的话,就是8个自由度。在卷积时,使用的拉普拉斯模板就对应着1种方式的自由度定义

综上,度的概念,虽然对于不同对象有不同的具体定义,但是直觉上理解,我认为是函数上的某点,或者Graph上某点与其周边环境(邻接的点)的连通程度。一维函数上一点只能向左或者向右移动,因此度是2;二维函数可以向左右上下,甚至左上右下移动,因此度可以是4,8,甚至自定义更多;对于Graph上的节点node而言,其度就是连接到该节点的边的数量,同样是代表了这个节点连接到了多少个其他节点。

最后补充,这种直观上的理解对于进一步理解拉普拉斯算子(尤其是Graph上的拉普拉斯算子)有很大帮助,如链接1中提到的:

这给我们一种形象的结论:拉普拉斯算子就是在所有自由度上进行微小变化后获得的增益 (另一种说明,Informally, the Laplacian measures how different the value of f at p is from the average value of the neighbors)。

参考:

  1. http://xtf615.com/2019/02/24/gcn/
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 技术黑板 设计师: CSDN官方博客
应支付0元
点击重新获取
扫码支付

支付成功即可阅读