Construction

Spatial Construction 空间域

• Spectral Networks and Deep Locally Connected Networks on Graphs
• Learning Convolutional Neural Networks for Graphs

Spectral Construction 频谱域

核心思想就是: 将图看作信号, 变换到另一个域中进行卷积.

GSP(Graph Signal Process)基础

对于Laplace矩阵的理解

关于特征*的知识

有必要复习一下函数的域变换

图卷积

第一代GCN

直接学习 $\hat h=diag(\theta_1, ..., \theta_n)$,

$$ y_{\text {output }}=\sigma\left(U \hat h_{\theta}(\Lambda) U^{T} x\right) $$

x是各个顶点对应的特征, U是拉普拉斯的特征值分解结果.

• 最大的缺点就是这个方法进行计算时, 需要进行特征分解, 还需要计算矩阵乘积(不过矩阵乘法平行后应该比较快), 复杂度直接变成了$O(n^3)$
• 每一个卷积核的参数量为$O(n)$

第二代GCN