谱图卷积的系数分解
内容提要
本文介绍了一种改进的谱图卷积网络，利用重新定义的拉普拉斯矩阵处理定向图，提升了半监督节点分类的效果。研究了图信号滤波器的表达能力，提出了JacobiConv网络，能够在无非线性函数的情况下超越对比算法。此外，提出了SGCN和DGCN模型，分别改进了图卷积网络在图像分类和有向图上的表现。多项实验验证了这些模型在图形学习任务中的优越性。
延伸解读
谱图卷积的多样化改进路径
文章汇总了多个谱图卷积的改进工作，包括处理有向图的重新定义拉普拉斯矩阵、无需非线性即可表达任意图信号的JacobiConv、统一现有模型的矩阵分解框架、利用空间特征的SGCN、扩展至有向图的DGCN、异构卷积PSHGCN、基于Cayley多项式的图像模型以及保证SE(3)等变性的InfGCN。这些工作从不同角度提升了谱图卷积的表达能力和适用范围。
有向图与异构图的处理进展
针对传统谱图卷积难以处理有向图的问题，文章介绍了利用重新定义拉普拉斯矩阵直接处理定向图的方法，以及DGCN通过一阶和二阶接近度扩展至有向图，保留连接属性并扩大感受野。此外，PSHGCN基于正非交换多项式在异构图上学习谱图卷积，实现节点分类。这些进展表明谱方法正逐步适应更复杂的图结构。
表达能力的理论探索
文章提到一项研究证明了无需非线性函数即可产生任意图信号，并建立了表达能力与图同构测试之间的联系。基于此提出的JacobiConv在无非线性函数的情况下超越了对比算法。这提示读者，谱图神经网络的表达能力可能更多源于滤波器设计而非非线性激活，为模型简化提供了理论依据。
跨领域应用的扩展
谱图卷积的应用已从半监督节点分类扩展到图像分类、化学任务、子空间聚类、社区检测、顶点分类和矩阵完成等领域。例如，SGCN在图像分类和化学任务上表现优于现有方法，基于Cayley多项式的模型在谱图像分类等任务中性能更佳，InfGCN在大规模电子密度数据集上明显优于当前架构。这些实验验证了谱图卷积的通用性。
Q&A
谱图卷积网络的改进主要体现在什么方面？
主要通过重新定义拉普拉斯矩阵来处理定向图，从而提升半监督节点分类的效果。
JacobiConv网络有什么特点？
JacobiConv网络能够在不使用非线性函数的情况下超越所有对比算法。
SGCN模型在什么任务上表现优越？
SGCN模型在图像分类和化学任务上表现优越。
DGCN模型是如何扩展到有向图的？
DGCN模型通过利用一阶和二阶接近度来扩展到有向图，保留连接属性并提高性能。
PSHGCN网络的主要应用是什么？
PSHGCN网络用于在异构图中实现节点分类，表现出卓越的性能。
新提出的基于谱域卷积架构的模型有什么优势？
该模型在图像深度学习中具有更好的性能，能够高效计算频带感兴趣的谱滤波器。
