图卷积神经网络笔记——第三章：空域图卷积介绍之过平滑现象及解决方法（2）

上一小节: 链接.
上一小节介绍了空域卷积中比较典型的4种模型，接下来介绍空间域图卷积局限性分析——过平滑现象

一、图卷积神经网络回顾

由于上面缺点的存在，使得谱域图卷积不能实际使用，而造成这种缺点的原因是正交基$U$，那么能不能找到另外的基来代替呢？下面来看：

为什么使用切比雪夫k阶多项式模拟卷积操作，这个k就代表k阶近邻呢？原因是因为K阶切比雪夫多项式需要对图拉普拉斯矩阵进行K次乘法计算，而图拉普拉斯矩阵表示的是图的一阶近邻关系，K次乘法下的图拉普拉斯矩阵表示图的K阶近邻关系，所以k阶可以代表邻居的阶数。

对于第一步就是$\tilde{A}=A+I$，就可以做到节点添加自连接边。

对于第二步——局部空间信息融合可以这么理解：先不用管${\tilde{D}}^{-1/2}$，那实际上就是$y=\hat{A}x$，$\hat{A}$代表了图上节点的连接情况，这个就是说图卷积就是改进后的邻接矩阵乘以输入节点的特征。邻接矩阵乘以输入节点的特征为什么就特征融合呢？看下图：

看到了没，乘完之后每个节点可能会把其他节点的特征加进来，所以叫特征融合。

对于第三步——归一化：这里的${\tilde{D}}^{-1/2}\tilde{A}{\tilde{D}}^{-1/2}$就是对A归一化，至于为什么两边乘以一个矩阵的逆就归一化了？这里需要复习到矩阵取逆的本质是做什么。
我们回顾下矩阵的逆的定义，对于式子$A\ast X=B$ ，假如我们希望求矩阵$X$，那么当然是令等式两边都乘以$A^{-1}$ ，然后式子就变成了$X=A^{-1}\ast A\ast X=A^{-1}\ast B$ 。
举个例子对于，单个节点运算来说，做归一化就是除以它节点的度，这样每一条邻接边信息传递的值就被规范化了，不会因为某一个节点有10条边而另一个只有1条边导致前者的影响力比后者大，因为做完归一化后者的权重只有0.1了，从单个节点上升到二维矩阵的运算，就是对矩阵求逆了，乘以矩阵的逆的本质，就是做矩阵除法完成归一化。但左右分别乘以节点$i$,$j$度的开方，就是考虑一条边的两边的点的度。

这里的$\hat{A}={\tilde{D}}^{-1/2}\tilde{A}{\tilde{D}}^{-1/2}$。

看到这里其实是很迷惑的，因为前面我们讲了$Y=\tilde{A}XW$是谱域卷积模型GCN的公式，但是怎么又成了空域图卷积？其实GCN这个模型就是从谱域到空间域的过度，是很重要的一个模型，具有奠基性的作用，既是空域又是谱域。这么说吧，谱域图卷积是空域图卷积的特例，也就是说当我们能将图卷积表达成显式的公式的时候，我们通常就叫这种模型为谱域图卷积，而没有显式地公式的图卷积一般叫空域图卷积，关于这个可以参看沈华伟老师的报告：图卷积神经网络-沈华伟: https://www.bilibili.com/video/BV1ta4y1t7EK.

GCN用于图半监督学习，论文：Semi-Supervised Classification with Graph Convolutional Networks

二、空间域图卷积局限性分析

这里的 A ^ = D −