[人工智能]李宏毅机器学习课程梳理【十一】：GNN&Spectral-based GNN

摘要

Spectral-based GNN方法借助了信号与系统中的傅里叶变换，定义了一套Spectral Graph Theory，用Discrete time Fourier basis体现频率与信号能量差距之间的关系，使用特征值等价频率，再构造傅里叶变换与逆傅里叶变换得到图神经网络的卷积输出。推导出方法存在的两个弊端，随后应用此方法的ChebNet与GCN优化了弊端，得到广泛使用的Model。

1 Fourier Transform

首先了解一下Almost Fourier Transform。如何让机器挑出一个信号的频率？将以时间为横轴、强度为纵轴的波形信号缠绕在一个单位圆上，关注两个变量：一个是信号的频率，每秒上下震荡$N$次；另一个是图像缠绕中心圆的频率，每秒转$n$圈。增大缠绕频率$n$的大小，使信号缠绕得越来越快，也就是每秒转圈数$n$越来越大，做一个二维平面上的缠绕图像，记录图像质心的位置变化。

先暂时只记录质心在x轴的位置变化，绘制图像，发现n逐渐变大，质心几乎只在原点附近移动；当在n=N附近时，质心会大幅度地远离原点，所以图像呈现出在n=N附近存在高峰。数值n就是信号的频率。这台机器可以识别复杂的波形，将其中的频率分离出来。

接下来是用数学公式描述将信号缠绕在中心圆上。“缠绕图像”的质心在二维平面上，需要记录两个轴的坐标，由于复数非常适合于描述与缠绕和旋转有关的事物，因此质心用一个复数表示。尤拉公式$e^{num?i}$表示落在单位圆沿逆时针方向走了num长的点上，$g(t)e^{?2\pi ift}$概括了整个将可变频率f缠绕起来的想法。质心具体位置由时间-强度信号图中抽取样本点、对应到缠绕图像上、取平均得到。如果取样的点越多，结果靠得越近，也就越准确。所以取极限，实际是把函数积分，再除以时间的长度。

Fourier Transform只是上式中的积分部分，其含义不再是质心，而是把它倍增。如果某个频率持续了很长时间，这个频率的傅里叶变换的模长就被放的很大。

2 Spectral-based GNN

2.1 整体思想

Spectral-based GNN的思想如图4所示。

2.2 Spectral Graph Theory

图5列出使用的符号与含义，定义Graph由$V,E$表示，节点数量记为$N$，adjacency matrix记录节点之间的相邻关系，degree matrix是一个对角矩阵、记录每一个节点的邻居数，定义Graph Laplacian L = D - A，再计算Laplacian矩阵的特征值与特征向量。
Discrete time Fourier basis，指频率越大，相邻两点之间的信号变化量就越大，用$f^{T}Lf=\frac{1}{2}\sum _{v_i\in V}\sum _{v_j\in V}{w}_{i,j}(f(v_i)?f(v_j){)}^2$表示相邻两点的信号的能量差距。特征向量的频率等于它们对应的特征值，并且特征值也代表图中两两相邻节点的信号的能量差距。下面需构造Fourier Transform对图进行卷积。$\hat{y}=g_{\theta }(\Lambda )\hat{x}$，具体如图6所示。

图6是对图4的具体设计，经过傅里叶变换的时域信号与频率信号相乘，得到Spectral Domain的信号$\hat{y}$。其中$g_{\theta }(\Lambda )$作为Filter，由机器学习得到。
最后做Inverse Fourier Transform，如图7所示。

左乘特征向量得到最终卷积的输出。
$y=g_{\theta }(U\Lambda U^T)x=g_{\theta }(L)x$

2.3 方法的弊端

这个方法存在两个弊端，一是Filter学习的复杂程度随着输入图的规格变化而变化，如果输入图的大小不一样，那么Filter的参数量会有很明显的差距。二是机器可能会学习到一些我们不想让它学到的信号。因为此方法机器学到$g_{\theta }(L)$，而$g_{\theta }(L)$可以是任何函数，有些函数会计算不相邻的节点的信号，导致整个Graph的信号互相影响，这就失去了Filter的意义。

3 应用算法

3.1 ChebNet

这个Model解决了上述两个弊端，算法如图8所示。

算法限制$g_{\theta }(L)$的函数为Laplacian的多项式函数，机器要学的就是多项式函数的系数。
当前算法的时间复杂度为$O(N^2)$。ChebNet采取一些数学转换来简化运算，如图9所示。

得到$y=g_{{\theta }^{\prime }}(L)x=\sum _{k=0}^K{\theta }_k^{\prime }{T}_k(L)x$，再利用Chebyshev polynomial展开。

最终递归算出多项式的参数。以上是一个Filter的工作过程，Spectral-based GNN可以叠多层channel。

3.2 GCN

GCN目前非常受欢迎，它在ChebNet基础上带入${\lambda }_{max}\approx 2$，normalize Laplacian的定义，定义变量之间的关联来减少参数，做renormalization trick等整理工作，得到GCN核心公式，如图12所示。

4 结论与展望

上一篇文章介绍的Spatial-based GNN，与此篇Spectral-based GNN方法都是解决Graph作为输入如何卷积的问题的。文章介绍了傅里叶变换，Spectral-based GNN的思想与数学过程。还介绍了ChebNet与GCN。实际应用中，GCN在叠多层时结果较差，还应该注意其数学原理。接下来将具体介绍RNN。