谱域GNN傅里叶变换计算

在谱域GNN中，傅里叶变换是一种将图信号从空域转换到频域的方法，利用图的拉普拉斯矩阵的特征向量和特征值作为基函数和频率。具体来说，对于一个定义在图上的信号$f:V\to \mathbb{R}$，它可以被表示为一个向量 $f\in {\mathbb{R}}^N$ ，其中 N 是图的节点数。图傅里叶变换的定义如下：
$$\mathcal{F}(f)=U^{\top }f$$
其中 U 是图的拉普拉斯矩阵 L 的特征向量矩阵，即
$$L=U\Lambda U^{\top }$$
，$\Lambda$是对角矩阵，其对角元素是 L 的特征值。图傅里叶变换的结果是一个向量
$$\hat{f}\in {\mathbb{R}}^N$$
，其第 i 个元素表示 f 在第 i 个频率上的系数，即
$${\hat{f}}_i=u_i^{\top }f$$
，其中 $u_i$ 是 U 的第 i 列。

图傅里叶变换的逆变换定义如下：
$${\mathcal{F}}^{-1}(\hat{f})=U\hat{f}$$
这样就可以将频域信号转换回空域信号。

在谱域GNN中，傅里叶变换可以用来实现图卷积操作，即将空域信号和卷积核转换到频域，然后在频域中相乘，再通过逆傅里叶变换转换回空域。例如，GCN 中的图卷积可以表示为：
$$x\ast g_{\theta }=U{g}_{\theta }{U}^{\top }x$$
其中 x 是输入信号，$ g_\theta $是卷积核参数，U 是拉普拉斯矩阵的特征向量矩阵

带数据的具体例子

好的，我来给您举一个具体的例子，说明在谱域GNN中是如何实现傅里叶变换的。

假设我们有一个简单的无向图，其中，V = {a, b, c, d} 是图的节点集合，E = {(a, b), (b, c), (c, d), (d, a)} 是图的边集合。我们可以用一个邻接矩阵 A 来表示图的结构，如下所示：

$$A=\left[\begin{array}{cccc}0& 1& 0& 1\\ 1& 0& 1& 0\\ 0& 1& 0& 1\\ 1& 0& 1& 0\end{array}\right]$$
我们还可以定义一个度矩阵 D，其对角元素是每个节点的度数，即与之相连的边的个数，如下所示：
$$D=\left[\begin{array}{cccc}2& 0& 0& 0\\ 0& 2& 0& 0\\ 0& 0& 2& 0\\ 0& 0& 0& 2\end{array}\right]$$
那么，图的拉普拉斯矩阵 L 可以定义为 L = D - A，(这里没有进行归一化，如果要进行归一化可以写成$L=D^{-\frac{1}{2}}(D-A)D^{-\frac{1}{2}}$)即：
$$L=\left[\begin{array}{cccc}2& -1& 0& -1\\ -1& 2& -1& 0\\ 0& -1& 2& -1\\ -1& 0& -1& 2\end{array}\right]$$
我们可以计算 L 的特征值和特征向量，得到：
$$\Lambda =\left[\begin{array}{cccccc}-2.2204e-16& & & & & \\ & & & -4.0000& & \\ & & & & -4.0000& \\ & & & & & -4.0000\end{array}\right]$$

$$U=\left[\begin{array}{cccccccccc}-5.0000e-01& & & -7.0711e-01& & & -5.0000e-01& & & -5.0000e-01\\ -5.0000e-01& & & -7.0711e-01& & & +5.0000e-01& & & +5.0000e-01\\ -5.0000e-01& & & +7.0711e-01& & & +5.0000e-01& & & -5.0000e-01\\ -5.0000e-01& & & +7.0711e-01& & & -5.0000e-01& & & +5.0000e-01\end{array}\right]$$

其中，$\Lambda$的对角元素是 $L$ 的特征值，$U$的每一列是对应特征值的特征向量。注意，这里我们假设$L$ 是对称矩阵，因此它有实数特征值和正交特征向量。

现在，假设我们有一个定义在图上的信号 $f:V\to \mathbb{R}$，它可以被表示为一个向量$f\in {\mathbb{R}}^N$，其中$N$是图的节点数。例如，我们可以定义$f$ 如下：
$$f=\left[\begin{array}{c}f(a)\\ f(b)\\ f(c)\\ f(d)\end{array}\right]=\left[\begin{array}{c}+3\\ +2\\ +4\\ +6\end{array}\right]$$
这意味着节点 a 的信号值是 +3，节点 b 的信号值是 +2，以此类推。

要计算 f 的图傅里叶变换，我们只需要将 $ f $和$ U $的转置相乘，即：
$$\mathcal{F}(f)=U^{\top }f=\left[\begin{array}{cccccccccc}-5.0000e-01& & & -5.0000e-01& & & -5.0000e-01& & & -5.0000e-01\\ -7.0711e-01& & & -7.0711e-01& & & +7.0711e-01& & & +7.0711e-01\\ -5.0000e-01& & & +5.0000e-01& & & +5.0000e-01& & & -5.0000e-01\\ -5.0000e-01& & & +5.0000e-01& & & -5.0000e-01& & & +5.0000e-01\end{array}\right]\left[\begin{array}{c}+3\\ +2\\ +4\\ +6\end{array}\right]=\left[\begin{array}{c}+3.7500\\ -2.8284\\ -1.5000\\ -1.5000\end{array}\right]$$

这样，我们就得到了$f$在频域的表示$\hat{f}$，其第$i$个元素表示$f$在第$i$个频率上的系数，即${\hat{f}}_i=u_i^{\top }f$，其中$u_i$是$U$的第$i$列。例如，
$${\hat{f}}_1=u_1^{\top }f=(-5.0000e-01)(+3)+(-5.0000e-01)(+2)+(-5.0000e-01)(+4)+(-5.0000e-01)(+6)=+3.7500$$
表示$f$在最低频率（特征值为 -2.2204e-16）上的系数是 +3.7500。

要计算$f$的图傅里叶逆变换，我们只需要将 $\hat{f}$和 U 相乘，即：
$${\mathcal{F}}^{-1}(\hat{f})=U\hat{f}=\left[\begin{array}{cccccccccc}-5.0000e-01& & & -7.0711e-01& & & -5.0000e-01& & & -5.0000e-01\\ -5.0000e-01& & & -7.0711e-01& & & +5.0000e-01& & & +5.0000e-01\\ -5.0000e-01& & & +7.0711e-01& & & +5.0000e-01& & & -5.0000e-01\\ -5.0000e-01& & & +7.0711e-01& & & -5.0000e-01& & & +5.0000e-01\end{array}\right]\left[\begin{array}{c}+3.7500\\ -2.8284\\ -1.5000\\ -1.5000\end{array}\right]=\left[\begin{array}{c}+3\\ +2\\ +4\\ +6\end{array}\right]$$
这样，我们就得到了$f$的空域表示$f$，它和原始信号完全一致