尽管我已经与 CNN 合作了一年多，但我很难理解 GCNN 如何在其简化方面工作论文。我已经阅读了几篇论文，当他们谈论切比雪夫多项式或傅里叶空间时，我发现自己超出了我的理解范围。

这些描述谈到使用邻接矩阵作为输入，也许我的主要困惑是我如何将这样的矩阵提供给卷积神经网络（如果这是实际上所做的）。我不能只对矩阵进行卷积，就好像它是图像一样，因为矩阵中的空间相似性（即彼此靠近的行/列）并不表示图中节点之间的实际接近程度。因此，问题是，邻接矩阵如何适应使用空间滤波器的 CNN 框架以及分层堆栈/图中的逻辑运算（非线性回归）。

由于这个 GCNN 不如具有更多解释材料的 CNN 成熟，因此一些关于这些方法有何不同的进一步解释材料会有所帮助。是否存在可以使用 GCNN 的使用来得出特定于该方法/框架的结果的简单情况？