Convolution:
「1」 Spatial Convolution
「2」 Spectral Convolution
Convolution in spatial space:
In terms of spectral space: , where
means **Fourier Transform
**.
In other words, convolution in spatial space could be translated as:
「1」Convert function and
into spectral space (
),
「2」Multiple two converted function element-wisely (),
「3」Convert it back to spatial space ().
以上就是一些卷积的相关信息知识。
从上可以发现如果要将Spatial和Spectral上的卷积联系在一起，很重要的部分就是傅里叶变换，傅里叶变换的公式如下所示：
对于上述公式，重要的部分就是，其中
表示的复数里的标志，t表示的是时间（如果是时域转化为频域），x表示的就是频率（角频率）（
表示的就是时间t里面旋转的角度），它在傅里叶变换中起到了比较重要的作用，其实
是拉普拉斯算子
的广义特征函数（就是线性代数中的特征向量的那种东西），具体的理解可以看参考。对于一幅图片来说，它的拉普拉斯算子其实就是一个拉普拉斯矩阵
，该矩阵对应的特征 向量
，表示的就是
。具体的，拉普拉斯矩阵则可以表示成
，即度矩阵（每个点的度）减去邻接矩阵（两点之间的二元值或者是权重）。
通过上述的介绍，就可以将传统的傅里叶公式转化为基于图的傅里叶公式：
其中，即特征矩阵。
所以传统的卷积操作（不一定是位于图上的卷积操作）就可以转化成位于图上的卷积操作公式：
而将当作一个可学习的卷积核
，那么最终的卷积公式就是
从上面的整个推导过程中可以看到，从传统的卷积（不是基于图的卷积）通过与Spectral的连接，变换成了图上的卷积，整个过程都有比较严密的推导。
相比之下可以提一提Spatial Graph Convolution Network
相比于上述的谱图卷积，空间域上的卷积更加的intuitive一些。
GCN的每一层其实就是将neighborhood中的neighbors通过消息传递函数，聚合起来，然后通过状态更新函数完成对点的更新，从公式中可以比较直观的感受到这个过程。
其中表示的就是消息传递函数，它将每个neighbor的相关信息，自己的信息，以及边信息
综合进行考虑，然后传递到central上，然后再结合自身的信息update。整个过程其实就是模仿传统CNN，将周围的信息aggregate到一个点上。
