拉普拉斯算子属于卷积方法吗_图卷积神经网络系列：1. | 谱域卷积与拉普拉斯...

在经典卷积网络中，对于输入数据有如下要求：

• 只能处理固定输入维度的数据
• 局部输入数据必须有序

语音、图像、视频等规则结构数据满足以上要求，但是并不适用于图结构数据。

那么，如何将卷积操作扩展到图结构数据中呢？

图卷积中，大致分为两类：

• 谱域图卷积

1. 根据图谱理论和卷积定理，将数据由空域转换到谱域做处理
2. 理论基础坚实

• 空域图卷积

1. 不依靠图谱卷积理论，直接在空间上定义卷积操作。
2. 定义知观，灵活性更强。

---

一 、谱域图卷积简介

1. 什么是卷积？

根据卷积定理，两信号在空域（或时域）的卷积的傅里叶变换等于这俩个信号在频域中的傅里叶变换的乘积：

其中，

为空域上的信号，

为频域上的信号，

为傅里叶变换。

表示卷积，

表示乘积。

也可以通过反变换的形式来表达：

其中，

为傅里叶反变换。其中：

如此卷积操作有什么意义呢？

• 将空域型号转换到频域，然后相乘。
• 将相乘的结果再转换到空域。

2. 如何定义图上的傅里叶变换呢？

回到我们想要探讨的图结构中，如何定义图上的傅里叶变换呢？

基于图谱理论，我们可以使用图傅里叶变换。

经典傅里叶变换如下：

图傅里叶变换如下：

---

二、拉普拉斯矩阵（Laplacian Matrix）

1 . 拉普拉斯矩阵的符号定义

• 无向图
  ，其中
• 邻接矩阵
• 度矩阵
  ,

2 . 拉普拉斯矩阵的定义

定义：度矩阵减去邻接矩阵。

3 . 拉普拉斯矩阵是对称半正定矩阵

证明如下：

对任意向量

，有：

也就是说，

是对称半正定矩阵。

那么作为半正定矩阵，拉普拉斯矩阵有哪些性质呢？

• n阶对称矩阵一定有n个线性无关的特征向量。
• 对称矩阵的不同特征值对应的特征向量相互正交，这些正交的特征向量构成的矩阵为正交矩阵。
• 实对称矩阵的特征向量一定是实向量。
• 半正定矩阵的特征值一定非负。

4 . 拉普拉斯矩阵的谱分解

特征分解，又称谱分解，是将矩阵分解为其特征值和特征向量表示的矩阵之积的方法。

上一小节中有说到，n阶对称矩阵一定有n个线性无关的特征向量。n维线性空间中的n个线性无关的向量都可以构成它的一组基。i.e. 下图中，当我们在这个空间中再画一个向量，这个向量都可以用下图中u1和u2来线性表示。

根据矩阵论的知识，对称矩阵的不同特征值对应的特征向量相互正交，这些正交的特征向量构成的矩阵为正交矩阵。

➢ 拉普拉斯矩阵的n个特征向量是n维空间中的一组标准正交基。

5 . 拉普拉斯矩阵与拉普拉斯算子

重要结论：拉普拉斯矩阵是图上的一种拉普拉斯算子。

5.1 拉普拉斯算子

定义：

，也就是：拉普拉斯算子表示为梯度的散度。

对于n维欧几里得空间，我们可以认为拉普拉斯算子是一个二阶微分算子。即在各个维度求二阶导数后求和。

在3维欧几里得空间，对于一个三元函数

，我们可以得到：

5.2 离散情况下欧氏空间的拉普拉斯算子

➢ 离散函数的二阶导数

类似的，对于两个变量的函数

(如图像)，在 y 方向也有

那么两个变量的离散拉普拉斯算子可以写成：

5.3 图上的拉普拉斯算子

欧式空间内，二维的拉普拉斯算子可以理解为中心节点与周围节点的差值，然后求和：

类似地，在图上的拉普拉斯算子定义如下：

其中，

，代表n个节点上每个节点的信号。

当有权重时， 图上拉普拉斯算子定义调整为：

可以理解为中心节点依次减去周围节点，乘以权重后，然后求和：

对于n个节点有：

得到结论：拉普拉斯矩阵是图上的一种拉普拉斯算子。

6 . 总结

• ➢ 拉普拉斯矩阵的n个特征向量是n维空间中的一组标准正交基
• ➢ 实数拉普拉斯矩阵的特征向量一定是实向量。
• ➢ 拉普拉斯矩阵的特征值一定非负。
• ➢ 拉普拉斯矩阵是图上的一种拉普拉斯算子。