Graph Neural Networks (GNN)（四）：Spectral-GNN 与 Spatial-GNN 对比

概述

前三篇详细介绍了 Spatial-GNN 和 Spectral-GNN 的内容，这一篇博客简单的对比一下。
Graph Neural Networks (GNN)（一）：Spatial-GNN
Graph Neural Networks (GNN)（二）：Spectral-GNN 引言和导入
Graph Neural Networks (GNN)（三）：Spectral-GNN 之 GCN

总结

其实两者是殊途同归的，所有的 GNN 都可以看成一个热传导模型/信息扩散模型。不管是 Spectral-GNN 还是 Spatial-GNN 最后都是收集领域节点的特征信息来更新自己的节点信息。只是出发点不同。

• Spatial-GNN：是直接推广 CNN 的加权求和思想，使用不同的领域节点采样方法和不同加权求和方法来更新节点特征。
• Spectral-GNN：是从 CNN 的卷积定理，f 和 g 的卷积是 f 和 g 傅里叶变换之后乘积的傅里叶逆变换。然后通过拉普拉斯矩阵来实现傅里叶变换和逆傅里叶变换。

虽然看上去差别较大，但是都是殊途同归的，最后发现 Spectral-GNN 最后也可以看成一个采样领域节点和加权求和的方式，可以把 GCN 看成很多 Spatial-GNN 的特例，例如 Monet 和 GraphSAGE 等。

Spectral-GNN：

第