本文主要是介绍GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
《原始论文：Spectral Networks and Locally Connected Networks on Graphs》
空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。
而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。
简单来讲，它利用图的**拉普拉斯矩阵(Laplacian matrix)**导出其频域上的的拉普拉斯算子，再类比频域上的欧式空间中的卷积，
导出图卷积的公式。虽然公式的形式与空域卷积非常相似，但频域卷积的推导过程却有些艰深晦涩。
接下来我们将攻克这部分看起来很难的数学公式，主要涉及到傅里叶变换(Fourier Transform)和拉普拉斯算子(Laplacian operator)。
一、前置内容
如上所述，我们将介绍两个主要的知识点：
- 傅里叶变换
- 拉普拉斯算子
在介绍之前，我们先抛出两个问题：1. 什么是傅里叶变换; 2. 如何将傅里叶变换扩展到图结构上。
1、傅里叶变换(F
这篇关于GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
