空间自适应滤波下的频谱图神经网络再思考
内容提要
本文综述谱图神经网络的发展，涵盖模型、理论与应用。谱性GNN能捕捉全局信息，具有更好的表达性与可解释性。文中梳理主要理论成果，定量评估常见谱性GNN模型，并提出未来研究方向，涉及JacobiConv、AdaGNN、BWGNN等模型及图信号滤波、同质度分析等技术。
延伸解读
谱性GNN的核心优势与理论支撑
文章指出谱性GNN能捕捉全局信息，并具有更好的可表达性和可解释性。这源于谱域滤波器的设计，如JacobiConv证明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的联系。理论成果为模型设计提供了依据，也解释了为何谱方法在全局特征提取上具有优势。
自适应滤波与节点级注意力机制
针对不同图结构，研究者提出了多种自适应方案。DSF框架自动学习节点特定的滤波权重，平衡局部与全局信息；AdaGNN设计自适应频率响应滤波器，捕获特征通道差异并缓解压平问题；柔性GNN则通过节点注意力机制，将聚合方案适应到每个图的谱域。这些方法提升了节点分类性能。
同质度与滤波器设计的关联
文章通过理论及实证分析发现，低频滤波器与同质程度呈正相关，高频滤波器呈负相关。基于此，NewtonNet引入牛顿插值的形状感知正则化，使多项式频谱滤波器与期望的同质程度对齐，在同质和异质数据集上均表现优越。这提示滤波器设计需考虑图的同质特性。
面向异常检测与噪声鲁棒性的谱方法
BWGNN采用Beta小波构建局部化频带通滤波器，以处理异常频谱现象，并在大规模异常检测数据集上验证有效。此外，多尺度框架在谱域直接设计过滤函数，提升对嘈杂图信号的鲁棒性，并利用异构图神经网络嵌入元路径拓扑信息。这些工作拓展了谱GNN在异常检测和噪声场景的应用。
Q&A
谱图神经网络相比传统GNN有什么优势？
谱图神经网络能够捕捉全局信息，并具有更好的可表达性和可解释性。
JacobiConv是什么？它有什么特别之处？
JacobiConv是一种新型谱图神经网络，它无需非线性函数就能产生任意图信号，并在不使用非线性函数的情况下超越了所有对比算法。
AdaGNN是如何提升节点表示学习能力的？
AdaGNN包含一种自适应频率响应滤波器，可以捕获不同特征通道之间的内在差异，从而具有更强的表达能力并自然缓解压平问题。
频谱滤波器的频率高低与图的同质程度有什么关系？
研究发现，低频滤波器与同质程度呈正相关关系，而高频滤波器呈负相关关系。
BWGNN主要用于解决什么问题？
BWGNN基于Beta小波，包含局部化的频带通滤波器，能更好地处理异常的频谱现象，并在大规模异常检测数据集上证明了有效性。
如何将卷积神经网络推广到高维不规则图像？
通过谱图理论提出一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现对任意图结构的卷积作用，从而学习局部、平稳、组合特征。
