[GNN] Part 2 - 图信号处理与Spectral-Based

1. 卷积与信号处理

  我们要做的事情是仿照图像卷积，定义在图结构上的卷积；但这并不是一件简单的事情，由于无法定义图结构上的九宫格是什么，以及filter size应该取多少；那这个时候，我们采用迂回战术，定义在图上的Fourier Transform，而后与filter对应的变换相乘，最后得到的结果进行IFT，可以得到在图上做卷积的结果；

问题是，这几步应该如何进行？我们先复习一下在信号处理过程中的操作：

---

信号处理基础

$$(合成)\overrightarrow{A}=\sum _{k=1}^N{a}_k{\hat{v}}_k\Rightarrow 基向量的线性组合$$

$$(分析)a_j=\overrightarrow{A}{\hat{v}}_j\Rightarrow 每个基向量的幅值情况$$

其中，${\hat{v}}_j\cdot {\hat{v}}_i={\delta }_{ij}$，是一组orthonormal基。

---

2. Spectral Graph Theory

先定义一些符号，方便后面表达：

• Graph: $G=(V,E),N=|V|$;
• $A\in {\mathcal{R}}^{N\times N}$，用邻接矩阵来存储图结构信息；
• 目前只考虑无向图！即$A$为对称矩阵；
• $D\in {\mathcal{R}}^{N\times N}$，图的degree matrix：
  $$D_{i,j}=\{\begin{array}{r}d(i),i=j\\ 0,i\ne j\end{array}$$
• $f:V\to {\mathcal{R}}^N$，定义在图（节点）上的信号；$f(i)$表示节点$i$上的信号强度，是一个实数；

---

eg. 1

  Graph Laplacian: （半正定且对称）
$$L=D-A$$

那么我们可以对$L$进行spectral decomposition:
$$L=U\Lambda U^T$$

其中，$\Lambda =diag({\lambda }_0,...,{\lambda }_{N-1})\in {\mathcal{R}}^{N\times N}$是特征值对角矩阵；$U=[u_0,...,u_{N-1}]\in {\mathcal{R}}^{N\times N}$是对应的特征向量矩阵；

---

eg.2 还是使用上面这个图，定义$f=[4,2,4,-3{]}^T$，表示在图节点上的信号大小；

$\Rightarrow$$A=(\begin{array}{ccc}& & \\ 0& 1& \\ 1& 0& \\ 1& 1& \\ 0& 1& \end{array}$