如何理解图神经网络的傅里叶变换和图卷积

图神经网络（GNN）代表了一类强大的深度神经网络架构。在一个日益互联的世界里，因为信息的联通性，大部分的信息可以被建模为图。例如，化合物中的原子是节点，它们之间的键是边。
图神经网络的美妙之处在于它们能够在不牺牲重要细节的情况下直接对图结构数据进行操作。这一点在处理复杂的数据集（如化合物）时尤为明显，GNN使我们能够充分利用底层图形表示的丰富性。通过这样做，GNN能够更全面地理解原子和键之间的关系，从而为更准确和深入的分析开辟途径。

在化学领域之外，图结构的影响延伸到不同的领域。以交通数据为例，其中城市是节点，它们之间的路线是边。GNN在交通堵塞预测等任务中被证明是非常宝贵的，证明了它们在捕捉城市流动性的复杂动态方面是有效的。当面临预测交通拥堵等挑战时，GNN掌握图数据中固有的空间依赖性和模式的能力成为一种强有力的工具。基于GNN的众多模型已成为预测交通拥堵的最先进解决方案，成为最前沿的模型。下面是paperswithcode上预测交通堵塞的模型，基本上全部是GNN本文将介绍图卷积的理论基础。通过深入研究图傅立叶变换的复杂性及其与图卷积的联系，我们将为深入理解GNN世界中的这一关键概念奠定基础。

如何定义图卷积