谱域图神经网络理论基础.pptx

提纲图神经网络概述图神经网络的谱域解释相关研究（BernNet，ChebNetII，EvenNet）展望与总结图结构无处不在引用网络蛋白质网络信号网络道路网络社交网络图(Graph)的定义图：节点集 ；节点数量 ；边集 边数量 ；邻居矩阵 ；度矩阵 ；归一化邻接矩阵：归一化拉普拉斯矩阵：节点特征矩阵 ，代表特征维度。?120534图(Graph)的定义图?0111001010001100111000000010010010101?20534图(Graph)的定义图?3000000200000040000001000000200000021?20534图(Graph)的定义?图?000000000000000000000000000000000000000000001?20534图(Graph)的定义?图?100100010001000001000110010001000100000100011?20534图(Graph)的定义NodeFeatures1Features2Features3Features4Features5Features6x0100000x1010000x2001000x3000100x4000010x5000001120534?图卷积节点特征矩阵，代表特征维度图神经网络以社交网络为例连接关系：用户之间的连接关系预测、推荐任务特征信息：用户的兴趣、年龄等特征图神经网络图神经网络?神经网络神经网络神经网络神经网络GCN消息传递架构图卷积神经网络 (GCN) [Kipf et al.,2017]在图结构上聚合邻居的特征信息，进行消息传递；借助神经网络训练消息传递中的权重；遵循消息传递架构：GCN消息消息传播框架?待学习权重矩阵?上一层的表示结果NodeFeatures1Features2Features3Features4Features5Features6x0100000x1010000x2001000x3000100x4000010x5000001x0x0120534Sum011100Self-loop111100Symmetry00Symmetry1/ 1/ 1/ 1/ 00GCN与CNNCNN也是一种图卷积神经网络（GCN）聚合周围八个邻居节点和自身的特征信息图神经网络的应用药物研发EDA开发交通预测利用GNN的局部搜索性质设计heuristic近似/精确算法. DeepMind利用GNN改进Google Map的预测出行时间[CIKM’2021]PCQM4Mv2：利用GNN进行大规模分子性质预测[KDD Cup 2021, NeurIPS 2022]提纲图神经网络概述图神经网络的谱域解释相关研究（BernNet，ChebNetII，EvenNet）展望与总结图信号?将传感器测量的温度作为图信号，使用向量表示图信号?112200553344?????通过归一化拉普拉斯矩阵对图信号进行操作图信号?112200553344?????通过归一化拉普拉斯矩阵对图信号进行操作图傅里叶变换?对拉普拉斯矩阵进行特征值分解其中 ，和分别表示第大特征值和特征向量，且图信号的傅里叶变换： 图信号的傅里叶逆变换：图傅里叶变换???图信号的傅里叶变换：将图信号变化到特征向量的组成的正交基坐标下图傅里叶变换图傅里叶变换Ring GraphEigenvectors时域-频域傅里叶变换滤波器?对图信号的滤波操作定义为： 称为滤波器。?2.频谱域滤波操作1.图信号傅里叶变换3.图傅里叶逆变换???图卷积?(卷积定理)卷积的傅里叶变换等于两个图信号傅里叶变换的点积其中表示Hadamard积， 称为谱域卷积核。记表示的值，则图卷积可以定义为如下形式：主流研究工作将，即将图卷积等价为滤波器。?1.图信号傅里叶变换2.谱域图卷积操作3.图傅里叶逆变换同/异配图-滤波器Impulse low-pas?3333666622227777同配图(Homophily graph)边相连的节点通常属于同一mpulse high-pass异配图(Heterophily graph)边相连的节点通常属于不同类滤波器???如何设计不同的滤波器？直接对滤波器进行变换，特征值分解复杂度太高！利用多项式近似滤波器.谱域图神经网络ChebNet[Defferrard et al., 2016]利用Chebyshev basis近似滤波器其中 ，表示缩放的拉普拉斯矩阵，为Chebyshev basis；为可学习的权重，为每一层的表示，且；对应的滤波器操作 。?? 谱域图神经网络?GCN[Kipf et al.,2017]简化ChebNet，令中滤波操作为??层GCN对应固定低通滤波器，不适合异配图?Renormaliz