![cccdada411a24a064adc2941832eb0c7.png](https://i-blog.csdnimg.cn/blog_migrate/70188d36f457e80d86195680bb489d1f.jpeg)
利用Chebyshev多项式拟合卷积核是GCN论文中广泛应用的方法。在这篇文章中,我会推导相应的公式,并举一个具体的栗子。
在之前的回答中(如何理解 Graph Convolutional Network(GCN)?),已经推导出了如下GCN的形式:
其中,
利用Chebyshev多项式代替卷积核,就可以得到下式:
其中,
这里大家可能会疑问为什么会有
因为
那么现在问题来了,如何把
- 由于
(原因为拉普拉斯矩阵半正定,特征值非负),除以最大特征值
,就转化在
区间
- 再进行
,就实现了目标。于是就有:
把式(2)带入到式(1)中,即可得到:
因为Chebyshev多项式作用在对角矩阵上,不会影响矩阵运算。那就改变一下运算顺序,先把矩阵运算放进去
因为
其中,
(最大特征值
在实际运算过程中,可以利用Chebyshev多项式的性质,进行递推:
下面来举个栗子,以下图为例
![50162496898363477d3a8b1de0601a0b.png](https://i-blog.csdnimg.cn/blog_migrate/590869d3fb336ebb8365e0a445da1332.png)
这里我们利用对阵型拉普拉斯矩阵,
- 当K=1时,卷积核为
当K=2时,卷积核为
结合图的邻接关系,明显可以看出卷积核的localize特性。
通过观察我们可以发现,当K=2时,对角线上的卷积系数中
代码实现可以参考(源码地址:https://github.com/tkipf/gcn):
def chebyshev_polynomials(adj, k):
"""Calculate Chebyshev polynomials up to order k. Return a list of sparse matrices (tuple representation)."""
print("Calculating Chebyshev polynomials up to order {}...".format(k))
adj_normalized = normalize_adj(adj) # D^{-1/2}AD^{1/2}
laplacian = sp.eye(adj.shape[0]) - adj_normalized # L = I_N - D^{-1/2}AD^{1/2}
largest_eigval, _ = eigsh(laplacian, 1, which='LM') # lambda_{max}
scaled_laplacian = (2. / largest_eigval[0]) * laplacian - sp.eye(adj.shape[0]) # 2/lambda_{max}L-I_N
# 将切比雪夫多项式的 T_0(x) = 1和 T_1(x) = x 项加入到t_k中
t_k = list()
t_k.append(sp.eye(adj.shape[0]))
t_k.append(scaled_laplacian)
# 依据公式 T_n(x) = 2xT_n(x) - T_{n-1}(x) 构造递归程序,计算T_2 -> T_k项目
def chebyshev_recurrence(t_k_minus_one, t_k_minus_two, scaled_lap):
s_lap = sp.csr_matrix(scaled_lap, copy=True)
return 2 * s_lap.dot(t_k_minus_one) - t_k_minus_two
for i in range(2, k+1):
t_k.append(chebyshev_recurrence(t_k[-1], t_k[-2], scaled_laplacian))
return sparse_to_tuple(t_k)
关于参数共享方式的讨论,可以参考我的另一篇文章
superbrother:解读三种经典GCN中的Parameter Sharingzhuanlan.zhihu.com![78639dd041f4b811d32ab3fce2c173f1.png](https://i-blog.csdnimg.cn/blog_migrate/a23966e51429eb8a27d884f6bd098726.png)
在我最近发表的一篇论文中:就将结合Chebyshev多项式的GCN作为基于有限检测器的路网规模交通流量估计问题(一种特殊的时空矩阵填充问题)的baseline。既原文4.2节部分的CGMC模型,目前论文可以在12月27号前免费访问。感兴趣的朋友可以阅读如下的链接。
Please wait whilst we redirect youauthors.elsevier.comZhang, Z., Li, M., Lin, X., & Wang, Y. (2020). Network-wide traffic flow estimation with insufficient volume detection and crowdsourcing data.Transportation Research Part C: Emerging Technologies,121, 102870.