1 图拉普拉斯矩阵

图拉普拉斯矩阵可以定义为： L=D-W。

其中，D 为度矩阵，W 为考虑权值的邻接矩阵。

归一化后的拉普拉斯矩阵：

1.1 散度

散度（Divergence）是向量分析的一个向量算子，将向量空间上的矢量场对应到一个标量场。

散度描述的是向量场里一个点是汇聚点还是发源点。

值为正时表示该点为发源点，值为负时表示该点为汇聚点，值为零时表示该点无源。

散度在物理上的含义可以理解为磁场、热源等。

1.2 拉普拉斯算子

在数学中，拉普拉斯算子（Laplacian）是由欧几里得空间中的一个函数的梯度的散度给出的微分算子。

对于任意函数 f 来说，其拉普拉斯算子的定义为：

拉普拉斯算子在 n 维空间笛卡尔坐标系中的数学定义（各个维度的二阶偏导数之和）：

以一维空间为例：

拉普拉斯算子可以理解为当前点对其在所有自由度上微扰之后获得的增益。这里自由度为 2，分别是 +1 和 -1 方向。

再以二维空间为例：

这里相当于是四个方向轻微扰动后得到的收益。

我们可以进行归纳：拉普拉斯算子是所有自由度上进行微小变化后所获得的增益。

1.3 图拉普拉斯算子的推导

我们将其推广到网络图中，考虑有 N 个节点的网络图，其自由度最大为 N，那么函数 f 可以是 N 维的向量，即：

其中， fi表示函数f在网络图中节点 i 处的函数值

上式对于任何i∈N都成立，所以我们有：

自此，我们便给出了图拉普拉斯矩阵的推导过程.

这个公式的全称为：图拉普拉斯算子作用在由图节点信息构成的向量上，得到的结果等于图拉普拉斯矩阵和向量的点积。

拉普拉斯矩阵反映了当前节点对周围节点产生扰动时所产生的累积增益。直观上也可以理解为某一节点的权值变为其相邻节点权值的期望影响，形象一点就是拉普拉斯矩阵可以刻画局部的平滑度。

1.4 拉普拉斯卷积核

刚才在介绍二维空间的拉普拉斯算子的时候，我们有：

把这个式子整理成二维矩阵的形式，就是图像中的拉普拉斯卷积核了

0	1	0
1	-4	1
0	1	0

2 拉普拉斯谱分解

拉普拉斯矩阵的谱分解就是矩阵的特征分解：

对于无向图来说，拉普拉斯矩阵是实对称矩阵，而实对称矩阵一定可以用正交矩阵进行正交相似对角化：

对拉普拉斯矩阵，我们左乘&右乘节点信号向量f，得到以下结果：

$f^T L f$ 是图信号的总变差（Total Variation），可以刻画图信号整体的平滑度。

2.1 拉普拉斯谱分解的性质

2.1.1

几点说明：

1，拉普拉斯矩阵L=D-W，其中D是点i所有的边的权重之和，也就是每一行（列）w之和。因此拉普拉斯矩阵每行（列）元素之和为0。

2，如果一个矩阵每一行（列）元素之和为0，那么一定有一个为0的特征值和一个全部值一样的向量（如果是列向量，那么这个列向量右乘拉普拉斯矩阵，得到的向量每一个元素为拉普拉斯矩阵每行的和，即0）

2.1.2 拉普拉斯矩阵的特征值都大于等于零，归一化的拉普拉斯矩阵的特征值区间为 [0, 2]

2.1.3 如果有 n 个特征值为 0，则表示图有 n 个子图相互无连接；

3 图的傅里叶变换

一个结论：傅立叶分析是拉普拉斯谱分析的一个特例

3.1 傅里叶变化（回顾）

信号函数沿着基函数 $e^{-i \omega t}$ 各个分量进行分解

3.2 赫姆霍兹方程（Helmholtz Equation）

其实这个式子相当于对拉普拉斯矩阵的特征值分解

我们用基函数 $e^{-i \omega t}$ 代替赫姆霍兹方程中的f（或者直接对基函数进行两次微分也可以）

上面的推导可以说明 $e^{-i \omega t}$ 是拉普拉斯算子的特征函数，同时也证明了离散傅立叶变换是拉普拉斯谱分析的一个特例。

3.3 网络图的傅里叶变换

我们把之前信号中的傅里叶变换看成：信号f和各个频率ω对应的基函数相乘，然后求和。

类比一下，我们就有了网络图的傅里叶变换。此时的各个频率就类比为各个特征值，各个频率对应的基函数就类比为各个特征之对应的特征向量。

其中，u是图的傅里叶矩阵（拉普拉斯矩阵）的特征向量。

3.3.1 网络图里面的傅里叶逆变换

GNN 笔记：图上的傅里叶变换相关推荐

【图神经网络】图神经网络(GNN)学习笔记：基于GNN的图表示学习
图神经网络GNN学习笔记:基于GNN的图表示学习 1. 图表示学习 2. 基于GNN的图表示学习 2.1 基于重构损失的GNN 2.2 基于对比损失的GNN 参考资料本文主要就基于GNN的无监督图表 ...
GNN笔记：图信号处理（Graph Signal Processing）
1 图信号处理定义图信号处理(Graph Signal Processing,以下简称 GSP)用来处理那些定义在图上的非规则域的信号.换句话说,就是处理图上定义的信号,但信号所在域是非规则的. 2 ...
【学习笔记】有向无环图上的DP
[学习笔记]有向无环图上的DP 手动博客搬家: 本文发表于20180716 10:49:04, 原地址https://blog.csdn.net/suncongbo/article/details/8 ...
学习笔记——【python】GetGeoTransform()使用，gdal截取图像，使用GDAL进行影像投影坐标、地理坐标、图上坐标的转换
1. GetGeoTransform()使用.gdal截取图像 GetGeoTransform() GeoTransform[0],左上角横坐标(应该是投影坐标) GeoTransform[2],行旋 ...
图卷积神经网络的数学原理——谱图理论和傅里叶变换初探
Math of GCN 一.warmup 1.Graph vs Image ①Graph是相比于Image更加广义的一种拓扑结构. ②Image是Grape在欧式空间的一种特例. 2.符号含义 ①A: ...
ICML2020 | 基于贝叶斯元学习在关系图上进行小样本关系抽取
今天给大家介绍来自加拿大蒙特利尔大学Mila人工智能研究所唐建教授课题组在ICML2020上发表的一篇关于关系抽取的文章.作者利用全局关系图来研究不同句子之间的新关系,并提出了一种新的贝叶斯元学习方法 ...
图上的对抗与攻击精选论文列表(2021相关论文一览)
来源:深度学习与图网络本文约1400字,建议阅读5分钟本文为你分享图上的对抗与攻击精选论文. 2021相关论文一览大规模攻击图神经网络图神经网络的黑盒梯度攻击: 更深入洞察图的攻击和防御增强多路 ...
「基于GNN的图分类研究」最新2022综述
图数据广泛存在于现实世界中, 可以自然地表示复合对象及其元素之间的复杂关联. 对图数据的分类是一个非常重要且极具挑战的问题, 在生物/化学信息学等领域有许多关键应用, 如分子属性判断, 新药发现等. ...
《大话数据结构》读书笔记-图
写在前面:本文仅供个人学习使用.<大话数据结构>通俗易懂,适合整体做笔记输出,构建体系.并且文中很多图片来源于该书,如有侵权,请联系删除. 文章目录 7.2 图的定义 7.2.1 各种图定 ...

GNN 笔记：图上的傅里叶变换