李宏毅机器学习|图神经网络Graph Nerual Networks(GNN)|学习笔记-part2

频域上的图神经网络

之前时域上之所以不对数据和卷积一样做卷积处理，是因为在图神经网络中，各个节点都不规范，没办法引用规范的卷积核进行卷积操作。
这里我们可以把这一理念在频域中运用。
我们知道，在时域中卷积就等于在频域中相乘，这个奠定了在神经网络可以定义在频域的基础。
因此在频域上图神经网路就是把数据先transform到频域上，用filter处理，然后再转回到空域的过程。

首先是一些必备知识
1、

 

 

2、定义adjacency matrix和degree matrix

 

定义Graph Laplacian，注意这是一个半正定的对称阵，可以对其进行特征分解，其中u是单位正交矩阵。

 例：（注，求Graph Lanplacian的过程与每个节点具体的数据没有关系，只与图的结构有关）

 

3、引出频率

 这两张图的意义是，首先我们将拉普拉斯矩阵乘以node组成的“向量”，具体意义是得到节点与周围节点之间差距的大小，拉普拉斯矩阵本身的意义也是如此。

 频率有能量的意义的，因此这里取平方，得到第二张图。

4、得到频率

 这里解释了频率和波形平滑度之间的关系

 这里呢我们将L特征分解得到的特征向量看做是一组信号值，因此第一个公式就代表这个节点周围的差异（能量值）。

因此对应的每个特征值就是频率，而特征向量的具体数值就是对应频率下每个位置的响应值（这里暂时不考虑正交的概念）

5、transform–分析
首先是分析
这里既考虑了正交概念，又考虑了频率的因素。

 

5、transform–合成
这里合成就是普通的频域到时域的转化
将各个频域的频率乘以各自在频域的响应值，然后加和。

  

6、transform–filter

 这里是对角矩阵的函数（也就是是特征是的函数）指的是，theta是与特征值一一对应的。

 

7、最终形态
最终就是要学一个拉普拉斯函数

 比如

 

或者

但是这都有一个问题就是，就算复杂度和node的数目成正比，而不是想卷积神经网络那样。

 

 这里表示L的n次放代表与与节点距离为n的节点对他的影响

8、应用—ChebNet
解决两个问题
第一，选用与之相关的K个节点
第二、降低计算复杂度
对于第一个问题，可以这样解决

 

对于第二个问题，可用切比雪夫多项式解决
切比雪夫多项式是递归定义的多项式函数

 

切比雪夫不等式可以降低复杂度的原因

 这样可以让计算轻松很多。

 

通过递归乘的方式让计算复杂度变成O（KE）。

 

9、应用—GCN