基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）原文链接：https://zhuanlan.zhihu.com/p/62300527

最新推荐文章于 2024-07-03 15:03:32 发布

原创最新推荐文章于 2024-07-03 15:03:32 发布 · 1.3k 阅读

1 ·

CC 4.0 BY-SA版权

知识点专栏收录该内容

4 篇文章

订阅专栏

本文介绍了一种基于SpectralGraphWaveletTransform的图卷积神经网络方法,该方法通过谱图小波变换来实现对图数据的有效处理,适用于多种图数据学习任务。

基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）

原文链接：https://zhuanlan.zhihu.com/p/62300527

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Will_Ch

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

图机器学习（7）——图神经网络 (Graph Neural Network, GNN)

盼小辉丶的博客

07-15

7717

图神经网络 (Graph Neural Network, GNN) 是一类专门处理图结构数据的深度学习方法。这类方法也被称为几何深度学习 (geometric deep learning)，在社交网络分析、计算机图形学等众多领域正受到日益广泛的关注。在本节中，我们介绍了 GNN 的核心原理，将卷积等经典深度学习范式拓展至非欧几里得图空间，实现了局部结构与全局特征的层次化提取。

时域上的乘积等于频域上的卷积_基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）...

weixin_35377028的博客

12-15

938

（写在前面：由于这方面的内容，楼主在网上并没有看到有存在相关的中文资料，英文资料也零零碎碎的。所以才起了填补这个空白的念头，以下的内容均是在阅读了相当数量的资料后写的，加进去很多资料中跳跃省略的细节的解释，也对其中的数学推导进行了补充和勘误。本文并不是翻译性质的文章，个人觉得算是满满的干货吧，但毕竟作者水平有限，疏漏在所难免，希望大家能给予指正，共同完善我们的知识分享。更希望本文能给大家多多少少带...

参与评论您还未登录，请先登录后发表或查看评论

【图神经网络】图的小波变换

sxl的博客

09-05

721

[1]基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）

卷积神经网络（CNN）和Transformer这两个术语既可以指代整个网络架构，也可以指代网络中的单独层

qq_23865133的博客

03-05

1408

在深度学习中，看到很多人说CNN是架构，也有人说CNN是层。同时，也看到很多人说Transformer是架构，但有人说Transformer是层......我去了解了一下，卷积神经网络（CNN）和Transformer这两个术语既可以指代整个网络架构，也可以指代网络中的单独层，具体取决于上下文。

FCVIT：结合卷积和Transformer

m0_63642362的博客

02-07

1518

实现FCVIT，并迁移预训练模型

【计算机视觉】在计算机视觉里，传统卷积已经彻底输给Transformer了吗？

wzk4869的博客

06-23

3165

【计算机视觉】在计算机视觉里，传统卷积已经彻底输给Transformer了吗？

时空异质性和非平稳性、图的拓扑结构、图小波变换与图傅里叶变换

weixin_45720999的博客

07-03

2562

时空异质性主要关注时空数据在分布上的不均匀性和复杂性，反映了不同空间位置或时间点上变量的特征或关系的显著差异。时空非平稳性则关注时空数据的统计特征随时间和空间的变化情况，要求我们在分析和建模时必须考虑这种变化。这两个概念在时空数据分析和建模中具有重要作用，对于揭示数据中的复杂模式和关系具有重要意义。图的拓扑结构是指图中各元素（如顶点、边）之间的连接关系，而不考虑元素在几何空间中的具体位置或形状。在图论中，一个图（Graph）是由顶点（Vertex）和边（Edge）组成的集合，其中边连接两个顶点。

天文学(HI)扩展3DSlicer (https://www.slicer.org/) - Punzo/SlicerAstro

01-27

Upcoming HI (neutral Hydrogen) surveys will deliver large datasets, and automated processing using the full 3D information (two positional dimensions and one spectral dimension) to find and ...

【Graph Neural Network 图神经网络】2.Spectral-based Graph Convolutional Networks 基于谱域的图卷积网络

TsingM

06-22

2620

GCN(Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017) 该文为基于谱域的图卷积网络的代表作，为图神经网络模型引入一个简单且表现好的分层传播规则，该规则直接在图上运行，展示了它是如何从谱图卷积的一阶近似中获得增益的，并演示了如何将这种形式的基于图的神经网络模型用于图中节点的快速和可扩展的半监督分类。 0. 基本概念图用G=(V,E)G=(V,E)G=(V,E)表示，VVV中元素为节点（vertex），E

【Graph Neural Network 图神经网络】3.Spatial-based Graph Convolutional Networks 基于空间的图卷积网络

TsingM

06-25

3852

图卷积网络（GCN）卷积图神经网络（GCN，图卷积网络）与递归图神经网络关系密切。与使用收缩约束迭代节点状态不同，ConvGNNs在架构上使用具有固定数量的不同卷积层来处理循环相互依赖，下图说明了这一关键区别。由于图卷积与其他神经网络的融合更加高效方便，近年来它的普及率迅速提高。 GCN可分为两类，基于谱域Spectral的和空间Spatial的。基于谱域的方法从图信号处理的角度引入滤波器来定义图卷积，其中图卷积运算被解释为从图信号中去除噪声。而基于空间的方法继承了RecGNNs的思想，通过信息传播来定

Spectral-Graph-Theory.rar_软件设计/软件工程_PDF_

08-11

这篇来自Yale University的资料，"Spectral Graph Theory.pdf"，将深入探讨这一主题。首先，谱图论的核心概念是图的拉普拉斯矩阵，它是图的邻接矩阵和度矩阵的差。拉普拉斯矩阵的特征值和特征向量提供了关于图的...

js代码-牛顿拉弗森法求根号n 参考链接牛顿迭代法 - 知乎 https://zhuanlan.zhihu.com/p/240077462 由2次推广至n次

07-16

js代码-牛顿拉弗森法求根号n 参考链接牛顿迭代法 - 知乎 https://zhuanlan.zhihu.com/p/240077462 由2次推广至n次

在CV界，传统卷积已经彻底输给Transformer了吗？

小白学视觉

03-01

160

链接：https://www.zhihu.com/question/531529633编辑：深度学习与计算机视觉声明：仅做学术分享，侵删作者：知乎用户https://www.zhihu.com/question/531529633/answer/2473781572是，输得很惨，我现在一看到面试者对Transformer一脸热情过度的样子都有点PTSD了前面波尔德已经讲得很好了，Transform...

【论文知识点笔记】GNN概述（图神经网络概述）

Edward的博客

01-02

1763

GNN（图神经网络）一级目录二级目录三级目录一级目录二级目录三级目录

图信号处理GSP：gspbox下载及导入matlab

starlee_aurora的博客

08-05

1982

介绍了图信号处理GSP的matlab工具箱gspbox的功能/下载/导入/使用指导。

Deep Learning on Graphs: A Survey 详细学习笔记(2)------GCNs

chunmujiang0601的博客

10-07

432

上一篇文章介绍了论文提出的图深度学习面临的问题和GRNN的部分，接下来这篇文章将要介绍论文提到的GCNs的部分。这一部分作者总结了许多前者提出的神经网络，有些类似有些做了改进，本文就进行相应的详略分配，不一一详解。要了解GCN，首先要搞清楚什么是图卷积。卷积的操作想必对机器学习有所了解的读者再熟悉不过了，但是图卷积又是什么。这个部分笔者结合了论文和网上一些大神写的见解做了个总体的汇总。这里非常推荐阅读下面这篇文章，这篇文章深入浅出很好地解释了图傅里叶变换。图傅里叶变换 - 知乎 (zhihu.com

GCN图卷积网络 | 介绍

Yanir的博客

02-25

5326

0 前言通常，将GCN分为基于空间域spatial-based和基于谱域spectral-based."所谓的两类其实就是从两个不同的角度理解"[4]，这也是我对两类的理解，因为从公式上看并没有较大区别，只是细节和适用场景不同，比如，图是否有向等。基于空间域的GCN关键在有aggregate的概念，将中心节点表示和相邻节点表示进行聚合，具体实现是用neighbor feature更新下一层的hidden state。代表模型有：NN4G(neural network for graph)、DCNN.

Transform详解

最新发布

11-30

你已经找到了 `BrewerMap` 的下载地址： 👉 [https://www.mathworks.com/matlabcentral/fileexchange/45208](https://www.mathworks.com/matlabcentral/fileexchange/45208) 这个工具包叫做 **ColorBrewer for MATLAB**，它将著名的 [ColorBrewer 配色方案](http://colorbrewer2.org/)（常用于地图和科学可视化）引入 MATLAB，特别适合绘制高质量的科研图像。 --- ## ✅ 一、如何安装 BrewerMap ### 方法 1：使用 MATLAB 自带的 Add-On Explorer（推荐） 1. 打开 MATLAB 2. 点击顶部菜单栏的 **"Home" → "Add-Ons" → "Get Add-Ons"** 3. 搜索关键词：`brewermap` 4. 找到结果： > **BrewerMap: Colorbrewer schemes for Matlab** > Author: cedric viaccoz 5. 点击 “Install” 安装即可 ✅ 安装后会自动添加路径，无需手动操作。 --- ### 方法 2：手动下载并安装 #### 步骤 1：下载文件访问链接： [https://www.mathworks.com/matlabcentral/fileexchange/45208-brewermap-colorbrewer-schemes-for-matlab](https://www.mathworks.com/matlabcentral/fileexchange/45208) 点击右上角的 **"Download"** 按钮，保存为 `.zip` 文件。 #### 步骤 2：解压文件解压到一个目录，例如： ``` ~/Documents/MATLAB/brewermap/ ``` #### 步骤 3：添加路径到 MATLAB 在 MATLAB 命令窗口运行： ```matlab addpath(genpath('~/Documents/MATLAB/brewermap')); savepath; % 可选：永久保存路径 ``` > 注意：替换 `'~/Documents/MATLAB/brewermap'` 为你实际的路径。 --- ## ✅ 二、如何使用 `brewermap` `brewermap(n, 'scheme_name')` 返回一个 `n x 3` 的颜色矩阵（RGB 值从 0 到 1），可用于 `colormap()`。 --- ### 🔹 示例 1：基本用法 —— 设置发散型色图（RdBu） ```matlab % 绘制温度通量或盐度通量等正负数据 data = peaks(100); % 示例数据 figure; imagesc(data); colorbar; % 使用 RdBu（Red-Blue）发散色图 colormap(brewermap(256, 'RdBu')); title('Using brewermap: RdBu (diverging)', 'Interpreter', 'none'); ``` --- ### 🔹 示例 2：连续型色图（如海洋深度） ```matlab data = ocean_depth_data; % 假设你的海表地形数据 figure; imagesc(data); colorbar; % 使用 Blues 连续色图 colormap(brewermap(256, 'Blues')); title('Ocean Depth with brewermap: Blues', 'Interpreter', 'none'); ``` --- ### 🔹 示例 3：分类数据（Qualitative 色图）适用于离散类别（如不同区域标记）： ```matlab labels = randi(8, 100, 100); % 8 类标签 figure; imagesc(labels); colormap(brewermap(8, 'Set1')); % 最多支持 9 种颜色 colorbar; title('Categorical Data with Set1'); ``` --- ## ✅ 三、常用 BrewerMap 色图类型 | 类型 | 推荐名称 | 用途 | |------|----------|------| | **发散型 (Diverging)** | `'RdBu'`, `'RdYlBu'`, `'Spectral'` | 温度/盐度通量、偏差图 | | **顺序型 (Sequential)** | `'Blues'`, `'Greens'`, `'Oranges'` | 单向变化量（如浓度、高度） | | **反向顺序型** | `'Blues_r'` | 白→深蓝（背景亮时更好） | | **定性型 (Qualitative)** | `'Set1'`, `'Paired'`, `'Dark2'` | 分类变量 | > 支持 `_r` 后缀表示反转颜色顺序，例如 `'RdBu_r'` --- ## ✅ 四、完整示例：绘制温度通量 + BrewerMap ```matlab % 假设 im 是你的温度通量数据（已去陆地） im = reshape(add.TemFlux, n, m)'; im(~surfm') = NaN; figure; imagesc(lon, lat, im); colorbar; colormap(brewermap(256, 'RdYlBu')); % 黄=加热，蓝=冷却 caxis([-max(abs(im(:))), max(abs(im(:)))]); % 对称色阶 xlabel('Longitude'); ylabel('Latitude'); title('Surface Temperature Flux (W/m^2)'); axis image; ``` --- ## ✅ 五、常见问题与技巧 ### ❓ 如何查看所有可用的 scheme 名称？ ```matlab brewermap('list'); % 显示所有配色方案 ``` 输出示例： ``` Available schemes: Diverging: RdBu, RdGy, RdYlBu, RdYlGn, Spectral, ... Sequential: Blues, Greens, Oranges, Purples, Reds, Greys, ... Qualitative: Set1, Set2, Set3, Pastel1, Pastel2, Dark2, Paired, Accent ``` --- ### ❓ 为什么比 `jet` 更好？ | jet (默认) | brewermap (RdBu) | |-----------|------------------| | 非线性感知亮度 | 线性感知对比度 | | 中间黄绿误导“峰值” | 中心白/灰表示零点清晰 | | 不适合色盲读者 | 多数方案对色盲友好 | ✅ **Nature、Science 论文推荐使用 ColorBrewer！** --- ##

基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇） 原文链接：https://zhuanlan.zhihu.com/p/62300527

基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）

基于Spectral Graph Wavelet Transform的图卷积神经网络（上篇）原文链接：https://zhuanlan.zhihu.com/p/62300527