2.2 双路线勘验：谱域卷积与空间域卷积

2.2 双路线勘验：谱域卷积与空间域卷积

本节摘要：谱域路线把图卷积定义为"图傅里叶域上的逐点乘法"——先用拉普拉斯特征向量把信号变换到频率空间，滤波后再变换回来；空间域路线直接定义"邻域特征的加权聚合"。切比雪夫多项式近似是双路线的汇合点：它把谱域滤波器改写成局部运算，落到每个节点的 k 跳邻域上。本节把双路线各推一遍，最终统一到"聚合权重"这个视角。

从一个类比进入谱域

最初的图卷积定义来自信号处理传统：给一张图配上"频率"的概念，再在频率空间里做滤波。侦探社的翻译是——走访记录可以按"波动快慢"分解：相邻节点值相近的是低频成分（缓慢变化的全城背景），相邻节点值剧烈反转的是高频成分（局部异常波动）。上一节确立了消息传递的走访规程，本节要回答规程背后的理论问题：凭什么"邻域加权聚合"配得上"卷积"这个名字？答案有两条推导路径，分别从频率分析与局部运算出发，最终在同一个公式上会师。先走谱域。

图：谱域与空间域两条路线的汇合

谱域勘验：给图配上频率

回忆第一章备好的档案：拉普拉斯矩阵 L 是半正定对称阵，可做特征分解，写成 L 等于 U 乘对角阵再乘 U 转置，其中 U 的列是一组正交特征向量，对角阵放着对应的非负特征值。把这组特征向量当作"图的傅里叶基"，经典信号处理的概念就能平移过来：把节点信号 x 用 U 转置左乘，得到它在每个特征向量方向上的坐标，这就是图傅里叶变换；坐标的平方和集中在小特征值方向，说明信号沿图变化缓慢（低频），集中在大特征值方向则说明信号在相邻节点间剧烈翻转（高频）。特征值因此被当作"图频率"使用。卷积定理在此登场：时域（这里换成"图域"）的卷积等价于频域的逐点相乘。于是图卷积的谱域定义浮出水面——把两个信号各自做图傅里叶变换，逐点相乘，再做逆变换回来。

import numpy as np
import networkx as nx

G = nx.path_graph(6)                    # 链状图：频率概念最直观
A = nx.to_numpy_array(G, nodelist=range(6))
L = np.diag(A.sum(1)) - A

eigvals, U = np.linalg.eigh(L)          # 特征向量＝图傅里叶基
print("特征值（图频率）:", np.round(eigvals, 4))

# 两个对照信号：低频（缓慢变化）与高频（逐点反转）
x_low  = np.array([1., 1.2, 1.4, 1.6, 1.8, 2.0])
x_high = np.array([1., -1., 1., -1., 1., -1.])

def gft(x):  return U.T @ x             # 图傅里叶变换：能量按频率展开
print("低频信号的频谱能量:", np.round(gft(x_low)**2, 3))
print("高频信号的频谱能量:", np.round(gft(x_high)**2, 3))
# 低频能量集中在小特征值处，高频集中在大特征值处——"频率"语义成立

# 谱域滤波：保留低频、压制高频（低通）
filter_resp = 1.0 / (1.0 + 8 * eigvals)          # 频响曲线：随频率衰减
x_f = U @ (filter_resp * gft(x_high))            # 频域逐点乘，再逆变换
print("高频信号低通滤波后:", np.round(x_f, 3))
# 逐点反转的振荡被抹平——滤波在图上生效
​

这段代码把"图频率"从抽象概念变成可触摸的对象：链图上相邻节点值交替的信号确实是高频，低通滤波确实能把它抹平。谱域路线的图卷积网络最初版本，就是把这个流程里"频响曲线"的位置换成可学习参数——参数直接挂在特征值上，每张图都要重新做特征分解，滤波器还是全局运算（改一个参数，所有节点的输出都变），既慢又不利于跨图泛化。

切比雪夫近似：从全局频域到局部邻域

转机来自多项式近似：把频响函数限制为特征值的低阶多项式，图卷积就能改写成拉普拉斯矩阵的多项式乘信号的形式。进一步用切比雪夫多项式展开并做尺度归一，会得到漂亮的性质——k 阶多项式滤波器恰好只依赖每个节点的 k 跳邻域。谱域的滤波器从此落地成空间域的局部运算：想保留低频，等价于对邻域特征做特定权重的加权平均；阶数越高，可表达的频响曲线越复杂，感受野也越大。这是两条路线的正式会师点，也是"邻域聚合配得上卷积之名"的理论凭证。

# 切比雪夫一阶近似的直观演示：k=1 时滤波只看直接邻域
I = np.eye(6)
L_tilde = L - I                            # 重标度前的简化：直接用归一化想法
D_half = np.diag(1.0 / np.sqrt(A.sum(1)))
L_norm = I - D_half @ A @ D_half           # 对称归一化拉普拉斯

# "低通滤波"的多项式形式：I 减去 L_norm 的常数倍
lowpass = I - 0.5 * L_norm
x_lowpass = lowpass @ x_high
print("多项式低通（一阶）:", np.round(x_lowpass, 3))
# 与谱域滤波结果同向：振荡被压制，且只用了邻域信息（L_norm 每行至多两个非零）
print("L_norm 每行非零个数:", (np.abs(L_norm) > 1e-9).sum(axis=1))
​

一阶切比雪夫近似再经简化（权重合并、取单参数）就得到教科书上的 GCN 传播式：对称归一化邻接矩阵乘特征矩阵乘权重矩阵——这正是第三章第一套办案装备的公式，此处先按下不表。谱域路线的贡献是把"聚合权重的形状"与"频率选择"挂钩：归一化系数对应低通滤波，让邻域均值进入表示，也埋下了深层网络"人人都像均值"的过平滑病根。

空间域勘验：直接在邻域上定义运算

空间域路线绕开特征分解，直接规定：图卷积就是每个节点对邻域特征做加权聚合，权重由设计者或模型决定。它天然具备两个谱域初期缺乏的优点——局部性（只碰邻域）与编号无关性（权重按结构而非下标分配）。代价是理论约束松散：任意聚合都能自称"图卷积"，权重设计缺乏频率视角的指导。实践中两条路线早已融合：切比雪夫近似证明"合理的空间聚合等价于某种谱域滤波"，而现代模型（GraphSAGE、GAT）干脆直接在空间域定义权重——前者固定采样加均值池化，后者用注意力学权重，其频响特性可事后分析。选型时记住对照表即可。

要点归档

• 图频率：拉普拉斯特征值从小到大对应信号沿图变化的快慢，特征向量就是图上的正交基。
• 谱域卷积：图傅里叶变换、频域逐点乘、逆变换——卷积定理在图上的移植。
• 切比雪夫近似：低阶多项式滤波器只依赖 k 跳邻域，谱域目标与空间域手段在此合一。
• 空间域卷积：邻域加权聚合，胜在局部、便宜、可跨图；权重设计是各家模型的分野。
• 暗线：归一化均值聚合近似低通滤波——第五章过平滑问题的理论源头已在此埋下。

聚合权重确定后，还剩一个问题：证词汇总该用什么函数——均值、求和还是最大值？下一节专门审这道工序，它决定了模型的表达能力上限。