谱卷积 在谱图卷积中，我们对图的拉普拉斯矩阵进行特征分解。这种特征分解有助于我们理解图的底层结构，我们可以使用它来识别该图的集群/子组。这是在傅立叶空间中完成的。一个类比是 PCA，我们通过执行特征矩阵的特征分解来了解数据的传播。这两种方法之间的唯一区别在于特征值。较小的特征值在频谱卷积中可以更好地解释数据的结构，而在 PCA 中则相反。ChebNet、GCN 是一些常用的使用光谱卷积的深度学习架构

空间卷积 空间卷积作用于节点的局部邻域，并根据节点的 k 个局部邻居来理解节点的属性。与需要大量时间来计算的频谱卷积不同，空间卷积很简单，并且在图分类任务上产生了最先进的结果。GraphSage 是空间卷积的一个很好的例子。

其他参考资料：https ://towardsdatascience.com/tutorial-on-graph-neural-networks-for-computer-vision-and-beyond-part-2-be6d71d70f49

https://towardsdatascience.com/graph-convolutional-networks-for-geometric-deep-learning-1faf17dee008

在阅读了来自不同来源的多种解释后，我想我发现了这两种方法之间的主要区别。在实现方面，唯一的区别是您将信号与（拉普拉斯/邻接矩阵）相乘的矩阵。但是通过使用拉普拉斯算子，您可以对图形结构（每个节点的进出度）进行编码，它决定了信号应该如何在网络中“扩散”。