文章参考GCN学习笔记_爱弹代码的吉他手的博客-CSDN博客
频域图卷积(Spectral Convolution)
GCN对图进行卷积的主要思想是把图转换到频域(Frequency Domain)进行乘积运算后再转换回空间域(Spatial Domain)。所以核心问题在于如何把图转换到频域,再从频域转换回空间域。
拉普拉斯矩阵分解(Laplacian Matrix Decomposition)
转换的重点在与拉普拉斯矩阵的谱分解(Spectral Decomposition)。其实谱分解又被称为特征分解(Eigen Decomposition),所以需要将矩阵映射到拉普拉斯矩阵的特征向量空间上。选择拉普拉斯矩阵是因为拉普拉斯是存在n个线性无关的特征向量的n阶方阵。拉普拉斯矩阵的谱分解可以写成:
为什么要对拉普拉斯矩阵进行谱分解呢?
在信号与系统中我们知道,连续信号的傅里叶变换的公式为:
或者离散信号的傅里叶变换为:
可以看到,信号从时域转换到频域其实可以看作是把时域信号与频域的基底进行内积运算,或者说是把时域信号用频域的基底线性表示。而对拉普拉斯矩阵进行谱分解就是为了找到这些基底,并构成一个映射矩阵 U。
图的傅里叶变换(Graph Fourier Transform)
图卷积之Spectral GCN
图卷积之Chebyshev GCN
图卷积之GCN
写的太好了,自己总结不能超过原作者,直接看原文。