标签：frac 函数 卷积 拉普拉斯 网络 GCN 变换 exp Bigg
图卷积网络
引言
当数据为图结构数据的时候：数据嵌入在不规则的网络上，比如 社交网络、人体骨骼数据、天气数据等 ，在计算机视觉以及组合优化等应用较广
主要分为以下两类：
1 base kenowledge
1.1 spectural
1.1.1 拉普拉斯变换与函数空间
对n纬空间的量化可以通过正交的基来表达，以向量空间的正交为例
when -1<=x<=1, 三个函数1，x，x^2
the first base p1=1,
<
1
,
x
>
=
∫
−
1
1
x
d
x
<1,x>=\int_{-1}^{1}xdx
<1,x>=∫−11xdx
the second base p2=x，
<
x
,
x
2
>
=
∫
−
1
1
x
x
2
d
x
<x,x^2>=\int_{-1}^{1}xx^2dx
<x,x2>=∫−11xx2dx
the thrid base p3
p
3
=
x
2
−
<
x
2
,
1
>
<
1
,
1
>
−
<
x
2
,
x
>
<
x
,
x
>
=
x
2
−
1
/
3
p3=x^2-\frac{<x^2,1>}{<1,1>}-\frac{<x^2,x>}{<x,x>}=x^2-1/3
p3=x2−<1,1><x2,1>−<x,x><x2,x>=x2−1/3
一个幂级数可以写为：
A
(
x
)
=
∑
n
=
0
8
a
n
x
n
A(x)=\sum_{n=0}^{8}a_nx^n
A(x)=∑n=08anxn
a
n
a_n
an可以看成离散的函数，上式可以写成：
A
(
x
)
=
∑
n
=
0
8
a
(
n
)
x
n
A(x)=\sum_{n=0}^{8}a(n)x^n
A(x)=∑n=08a(n)xn
举个例子：当an=1/n!
A
(
x
)
=
1
+
1
1
!
x
+
2
2
!
x
2
+
.
.
.
=
e
x
A(x)=1+\frac{1}{1!}x+\frac{2}{2!}x^2+...=e^x
A(x)=1+1!1x+2!2x2+...=ex (1)
公式（1）就是函数
e
x
e^x
ex在x=0的泰勒展开
可以进一步理解为，取一个定义在正整数上的离散函数，然后进行无穷次的相加操作，结果却能够产生一个连续函数。而且注意其中的离散函数an的变量为n,相加得出的却是关于变量x的连续函数
现在让离散求和变为连续求和，即不再是变量n=0,1,2,3…,而是另外定义一个变量t,并且有0<=t<8,
A
(
x
)
=
∫
0
8
a
(
t
)
x
t
d
t
A(x)=\int_{0}^{8}a(t)x^tdt
A(x)=∫08a(t)xtdt
我们进一步简化，因为做微积分运算方便：
A
(
x
)
=
∫
0
8
a
(
t
)
(
e
x
p
(
l
n
x
)
)
t
d
t
=
∫
0
8
f
(
t
)
e
x
p
(
−
s
t
)
d
t
∣
s
=
−
l
n
x
A(x)=\int_{0}^{8}a(t)(exp(lnx))^tdt=\int_{0}^{8}f(t)exp(-st)dt | s=-lnx
A(x)=∫08a(t)(exp(lnx))tdt=∫08f(t)exp(−st)dt∣s=−lnx
我们得到了Laplace Transform
拉普拉斯本身是一种积分变换，上面的公式可以看为积分变换的核函数，下面依次给出了傅立叶、拉普拉斯和希尔伯特变换
| 变换 | 核函数 |
|---|---|
| 傅立叶 | K ( t , w ) = 1 2 p i e x p ( − i w t ) K(t,w)=\frac{1}{\sqrt{2pi}}exp(-iwt) K(t,w)=2pi 1exp(−iwt) |
| laplace | k ( t , s ) = e x p ( − s t ) k(t,s)=exp(-st) k(t,s)=exp(−st) |
| hilbert | k ( t , s ) = 1 p i 1 s − t k(t,s)=\frac{1}{pi}\frac{1}{s-t} k(t,s)=pi1s−t1 |
1.1.2 谱域卷积
傅立叶变换F，满足下面关系式子，傅立叶变换就建立起了图域卷积=频域相乘
f
∗
g
=
F
−
1
(
F
(
f
)
F
(
g
)
)
f*g=F^{-1}(F(f)F(g))
f∗g=F−1(F(f)F(g))
那图论下的函数，
F
G
:
V
−
>
R
F_G:V->R
FG:V−>R，使得每一个节点v属于V，都被映射到实数R上。
图函数的梯度：
梯度的意义为，衡量函数在每一个点处，在每个正交方向的变化，如f(x,y,z)
α
f
α
x
=
f
(
x
+
d
x
)
−
f
(
x
)
(
x
+
d
x
)
−
x
\frac{\alpha f}{\alpha x}=\frac{f(x+dx)-f(x)}{(x+dx)-x}
αxαf=(x+dx)−xf(x+dx)−f(x), 在图论中，我们认为一个节点沿着每一条边通向它的相邻节点，每两条边之间相互并没有什么关系，我们认为这个节点的每一条边相互都是正交的。
那么对于一个节点
v
0
v_0
v0，我们认为其梯度是在一条通向
v
1
v_1
v1的边
e
0
1
e_01
e01上的分量为
F
G
(
v
0
)
−
F
G
(
v
1
)
d
0
1
=
(
F
G
(
v
0
)
−
F
G
)
e
01
\frac{F_G(v_0)-F_G(v_1)}{d_01}=(F_G(v_0)-F_G)e_{01}
d01FG(v0)−FG(v1)=(FG(v0)−FG)e01
可以定义如下图网络，依次为网络、矩阵
K
G
K_G
KG(列表示边，行表示接受的节点)、图函数
F
G
F_G
FG，则
K
G
T
f
G
K_G^Tf_G
KGTfG结果如下，可以看出其即为
F
G
F_G
FG梯度的结果。那么根据拉普拉斯算子的定义为其为函数梯度的散度，每个点上梯度的增加和减少，即进入的减去出去的，那么在上面结果的基础上乘
K
G
′
K_G^{'}
KG′，
[
−
1
−
1
0
0
…
1
0
−
1
0
…
⋮
⋮
⋱
]
×
[
10
−
15
⋮
]
=
[
5
58
⋮
]
\Bigg[\begin{array}{ccc} -1 & -1 & 0 &0 &\dots\\ 1 & 0 &-1 &0&\dots\\ \vdots&\vdots&\ddots \end{array} \Bigg]\times\;\Bigg[\begin{array}{ccc}10 \\ -15\\ \vdots\end{array}\Bigg]=\Bigg[\begin{array}{ccc}5 \\ 58\\ \vdots\end{array}\Bigg]
[−11⋮−10⋮0−1⋱00……]×[10−15⋮]=[558⋮]
那么,图论函数的纳普拉斯算子
K
G
′
K
G
T
K_G^{'}K_G^T
KG′KGT
经过观察可以发现其可以表示为： L=D-W
### 1.1.3 谱分解
有了经典的拉普拉斯算子L，对其进行矩阵谱分解，
L
=
U
Λ
U
T
=
U
d
i
a
g
(
λ
i
)
U
−
1
L=U\Lambda U_T=Udiag(\lambda_i)U^{-1}
L=UΛUT=Udiag(λi)U−1
其有以下的性质：
- 拉普拉斯矩阵的n个特征向量是n纬空间中的一组正交基
- 实数拉普拉斯矩阵的特征向量一定是实向量
- 拉普拉斯矩阵的特征之非负
- 图上的拉普拉斯矩阵是图上的一种拉普拉斯算子
还有一个重要的性质，其特征值大小有顺序，其与傅立叶变换中，低频特征和高频特征具有一定的相似性
图
1.2 space
参考
标签：frac,函数,卷积,拉普拉斯,网络,GCN,变换,exp,Bigg 来源： https://blog.csdn.net/weixin_41960098/article/details/112424792
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。