GNN实战：图信号处理中的加权平均与噪声抑制

1. 图信号处理基础：从温度观测案例说起

想象你正在监测某个地区的温度分布，但每个观测点的数据都受到随机噪声干扰。这时候你会怎么做？传统做法可能是对每个点周围的观测值取平均来消除噪声。但问题来了：山区和平原的观测点分布密度不同，直接平均会扭曲真实温度分布。这就是图信号处理（Graph Signal Processing, GSP）要解决的核心问题——处理非规则域上的信号。

图信号处理将观测点抽象为图节点，地理距离关系抽象为边，温度数据就是定义在图节点上的信号。比如：

• 节点v₁到v₂的边权重w₁₂=1/(两地距离)
• 节点v₃到v₄的边权重w₃₄=1.5（两地有特殊气候关联）

# 邻接矩阵示例（4个观测点）
import numpy as np
adj_matrix = np.array([
    [0, 0.8, 0, 0.5],  # v1与v2距离1.25km，与v4距离2km
    [0.8, 0, 0.3, 0],  # v2与v3距离约3.33km
    [0, 0.3, 0, 0],
    [0.5, 0, 0, 0]
])

2. 加权平均的数学本质与实现

加权平均在图信号处理中对应图卷积操作。以温度去噪为例，每个点的新温度值是其邻居温度的加权平均：

$$ T_{new}(v_i) = \alpha T(v_i) + (1-\alpha)\sum_{j\in N(i)}w_{ij}T(v_j) $$

其中α控制保留原始信号的比例（防止过平滑）。实际操作中需要：

1. 权重归一化：将邻接矩阵A转换为度矩阵D归一化的形式D⁻¹A
2. 引入自循环：Ã = A + I防止信息丢失
3. 对称归一化：D⁻¹/²AD⁻¹/²使特征值在[-1,1]之间