《Beyond Low-frequency Information in Graph Convolutional Networks》

    简略读一下这篇，和GPRGCN有点关联。
    摘要部分就说GCN捕捉低频信号得到的节点表示是不够好的。提出的FAGCN就来解决两个问题，一个是弄一个可以同时捕捉高频和低频两种信号的filter，另一个就是什么情况应该捕捉哪种信号。
    FAGCN首先利用图信号处理理论正式定义一个增强的低通和高通滤波器，从原始特征中分离低频和高频信号。然后设计了一种自门控机制，在不知道网络的协调性（就是更适合捕捉高频还是低频信号）的情况下，自适应地集成低频信号、高频信号和原始特征。
    模型的设计首先从卷积核出发，定义空间域的低通滤波器和高通滤波器如下：
    image.png
    卷积公式如下：
    image.png
    看着挺复杂，其实和普通GCN很像，相当于给GCN的邻接矩阵前面放了个W。有image.png以及image.pngimage.png。所以低通那个就是捕捉邻域信息，高通那个就是捕捉节点和邻域之间不同的信息，感觉就是做减法减掉的意思。
    模型部分有点拉低前面部分档次的感觉，但也不能完全说是高开低走，感觉似乎又蛮有道理的，先po上来。
    image.png
    令image.png，这个值可正可负，所以又定义：
    image.png
    FAGCN的模型最终定义如下：
    image.png
    就很像允许注意力系数为负数的GAT。