傅里叶变换在图神经网络中的应用

       傅里叶变换在图神经网络中通常用于将节点特征从时域（或空间域）转换到频域，以便在频域中对节点特征进行卷积运算。具体来说，可以将图信号视为时间序列信号，将傅里叶变换应用于时间序列信号，从而将节点特征转换为频域信号。这样，在频域中，卷积操作就可以表示为简单的点乘操作。

       对于基于拉普拉斯矩阵的谱分解的GNN，如GCN，可以利用傅里叶变换将拉普拉斯矩阵的特征向量表示为频域信号，然后通过频域卷积操作对节点特征进行卷积。具体来说，设$X$为$n\times f$的节点特征矩阵，$A$为$n\times n$的邻接矩阵，$D$为$n\times n$的度矩阵，则拉普拉斯矩阵$L=D-A$。对$L$进行特征值分解得到特征值${\lambda }_0\le {\lambda }_1\le ...\le {\lambda }_{n-1}$和特征向量$u_0,u_1,...,u_{n-1}$。利用傅里叶变换，可以将特征向量表示为傅里叶基函数$e_k(x)=\sqrt{\frac{2}{n}}cos(\frac{\pi kx}{n})$，其中$k=0,1,2,...,n-1$。将特征向量表示为频域信号，即可进行频域卷积操作，从而实现对节点特征的卷积运算。

        需要注意的是，在实际应用中，由于计算效率等因素的限制，通常不会使用完整的傅里叶变换和傅里叶逆变换，而是采用基于Chebyshev多项式或Krylov子空间的快速傅里叶变换等方法来进行频域卷积运算，以提高计算效率。

        频域卷积操作是图神经网络中一种常用的卷积操作，其基本思想是将节点特征在傅里叶变换后的频域中进行卷积操作。具体来说，设$X$为$n\times f$的节点特征矩阵，$A$为$n\times n$的邻接矩阵，$D$为$n\times n$的度矩阵，则拉普拉斯矩阵$L=D-A$。对$L$进行特征值分解得到特征值${\lambda }_0\le {\lambda }_1\le ...\le {\lambda }_{n-1}$和特征向量$u_0,u_1,...,u_{n-1}$，则傅里叶变换可以将节点特征矩阵表示为：

$$\tilde{X}=U^{T}X$$

       其中$U=(u_0,u_1,...,u_{n-1})$是拉普拉斯矩阵的特征向量组成的矩阵，$\tilde{X}$是节点特征矩阵在傅里叶变换后的频域表示。在频域中，卷积操作可以表示为简单的点乘操作，因此可以将节点特征在频域中进行卷积操作，得到新的频域特征表示$\tilde{Y}$：

$$\tilde{Y}=\Theta \tilde{X}$$

       其中$\Theta$是在频域中的卷积核，通常是一组可学习的参数。在实际应用中，为了提高计算效率，通常采用一些快速傅里叶变换的方法，如基于Chebyshev多项式的方法或Krylov子空间的方法来进行频域卷积操作。

       最后，通过傅里叶逆变换，可以将频域特征表示$\tilde{Y}$转换回空间域中的节点特征表示$Y$：

$$Y=U\tilde{Y}$$

       得到节点特征的新表示$Y$。这种基于傅里叶变换的频域卷积操作被广泛应用于图神经网络中，如基于拉普拉斯矩阵的谱卷积网络（如GCN）、GraphSAGE等。