GNN
1. 基础知识
1.1 Spatial Domain(空间/拓扑域)和Spectral Domain(谱域)
1.2 拉普拉斯矩阵
1.2.1 定义
对于图 G = ( V , E ) G=(V,E) G=(V,E), 其Laplacian矩阵的定义为 L = D − A L=D-A L=D−A, 其中 L L L是Laplacian矩阵, D D D是定点的度矩阵(对角矩阵), A A A是图的邻接矩阵。
常用的拉普拉斯矩阵有三种:
- L = D − A L=D-A L=D−A 定义名为 Combinatorial Laplacian
- L s y s = D − 1 / 2 L D − 1 / 2 L^{sys} = D^{-1/2}LD^{-1/2} Lsys=D−1/2LD−1/2 定义为Symmetric normalized Laplacian, 很多GCN论文中用这种。
- L r w = D − 1 L L^{rw} = D^{-1}L Lrw=D−1L 定义Random warl normalized Laplacian
1.2.2 拉普拉斯矩阵作用
- 拉普拉斯矩阵是对称矩阵,可以进行特征分解(谱分解)。
- 拉普拉斯矩阵只有在中心顶点和一阶相连的顶点上有非0元素。
- 通过拉普拉斯算子与拉普拉斯矩阵进行类比。???
1.2.3 拉普拉斯矩阵的谱分解(特征分解)
GCN的核心是基于拉普拉斯矩阵的谱分解。
首先对基本的理论进行解释
- 矩阵的谱分解、特征分解、对角化是同一个概念。
- 不是所有的矩阵都可以进行特征分解,充要条件是n阶方阵有n个线性无关的特征向量。
- 拉普拉斯矩阵是半正定对称矩阵。半正定矩阵的三个性质:
a. 实对称矩阵一定n个线性无关的特征向量。
b. 半正定矩阵的特征值一定非负。
c. 实对称矩阵的特征向量总是可以化为两两相互正交的正交矩阵
拉普拉斯矩阵的谱分解:
L = U ( λ 1 ⋱ λ n ) U − 1 L=U \left(\begin{matrix} \lambda_{1} & & \\ & \ddots & \\ & & \lambda_{n} \\\end{matrix}\right) U^{-1} L=U⎝⎛λ1