图拓扑网络
Deep Graph Spectral Evolution Networks for Graph Topological Evolution AAAI 2021
图演化的论文不是很多，并且很多都是针对动态图（长时间序列，如不断变换的社交网络图），
首先定义了问题域：
谱图变换问题是指源图 G到目标图G’ 的图拓扑变换， G’ <– F(G) 可以通过图的谱的变化来建模，变化过程中图的傅里叶基保持相似
为了确定函数F ，可以利用基于图小波现有研究的各种图核，包括热核和许多其他图核如下表所示。几个图核已经被经验证明可以有效地建模一些特定的图过程。
核的确定通常是根据先验知识来做的。但是，对于许多复杂的现象，图过程通常涉及对应于多个内核的多个图过程的组合和组合。例如，社交网络的演化可能不仅涉及三角形闭合核的三角形闭合过程（即一个人的两个朋友往往是朋友），而且还涉及可以用扩散核表征的行为扩散过程。此外，不同内核进程的参与可能是同时或顺序的，因此很难手动确定或组合优化。
为了解决这个
一系列复杂的推理过程，总之提出了新的广义图核 首先他能很好地拟合上表中的图核，是他们的泛化。其次他也能通过自身的加法运算很好的拟合多个广义图核（文章中有证明）
在此基础上提出了以下神经网络架构，将多项式的阶数从无穷大降至 K, K 与图的大小无关，通常远小于图的大小。我们的神经网络是将多个广义图核作为一种特殊的多阶一维卷积运算叠加而成
通过源图到目标图的M层卷积操作来实现神经网络。具体来说，输入一个的图谱。对于第L - 1 层，计算矩阵
的对角向量并拼接，如图 1 中的橙色区域所示。
同理，计算矩阵的对角向量并
拼接，如图 1 中的黄色区域所示。然后这两个区域分别被 α 和 γ 核卷积，执行活化函数后得到 。反复进行卷积运算，直到第 层，输出目标图的预测图谱 
最后就是他的实验结果
