【LITIS Lab】衔接图卷积神经网络谱域和空间域，Spectral and Spatial Domains in GNN

本文旨在通过弥补图卷积的频谱设计和空间设计之间的差距，重新探讨图卷积神经网络。从理论上证明了图卷积过程在空间和谱域上的等价性。得到的通用框架允许对最流行的卷积神经网络进行光谱分析，解释它们的性能并显示它们的局限性。此外，该框架还用于设计具有自定义频率轮廓的谱域新卷积，并将其应用于空间域。我们还提出了图卷积网络深度可分卷积框架的推广，该框架允许通过保持模型的容量来减少可训练参数的总数。据我们所知，这样的框架从未在GNNs文献中使用过。我们的建议是评估两个转导和归纳图学习问题。实验结果表明了该方法的有效性，为光谱滤波系数在图像间的可转移性提供了实验依据。我们的源代码是公开的:这个https URL