GCN就是把时域上的图,用拉普拉斯矩阵,或者别的矩阵进行频域上的表示,再在频域上进行卷积.

Q1:为什么要用时域转频域,因为时域不好表示各个点和相邻的点的邻接关系,因为不同的邻接关系需要不同的权值才能进行卷积神经网络,但基于图的谱分解可以表示.

Q2:如何在频域上进行卷积?

变为频域上的运算就可以更好结合图的特征,运算的话就用频域上的傅里叶函数变换.这样就可以在频域上算好卷积.

是将拉普拉斯矩阵表示图,同时刚好的性质是,傅里叶变换需要基底ewit,这个用拉普拉斯矩阵的特征函数就完成了两者的结合.

卷积定理：函数卷积的傅里叶变换是函数傅立叶变换的乘积，即对于函数 f(t) 与 h(t)两者的卷积是其函数傅立叶变换乘积的逆变换：

然后这个又可以是这个拉普拉斯矩阵的特征函数.

后面就是运算的变换了,上面基本就是核心了,错了也没关系,大概差不多这样就好.

补充:

笔记:关于GCN的学习理解(白话)

资料:Graph Convolutional Network（GCN）

GCN代码

图神经网络之神器——PYTORCH GEOMETRIC 上手 & 实战

基于图卷积网络的半监督分类（GCN） | 高飞 | 集智图网络读书会

北京师范大学