傅里叶特征映射

一句话说人话：把每个基因表达值 x 通过 sin 和 cos 映射成一个二维向量 [cos(απx), sin(απx)]，把「数值的大小」变成「波形上的位置」，从而构造出一个对微小变化特别敏感的「高频通道」——给模型装一个「对比度增强」滤镜，让它看清边界。

---

一、为什么需要它：先回顾痛点

在 低通滤波与高频信号 里我们说过：GCN 是低通滤波，天生把「剧烈跳变」磨平。而组织边界（空间域的边界）恰恰是基因表达剧烈跳变的地方。所以 GCN 看不清边界。

那怎么办？一个直接的想法是：既然 GCN 自己看不见高频，那就把数据「加工」一下，让高频信息变得显眼，再喂给它。

傅里叶特征映射干的就是这件事——它不动模型，动数据：把原始表达值做一次变换，让「边界处的剧烈变化」被放大、被凸显。

二、它做了什么：把「数值」绕到「圆」上

公式看起来唬人，其实就一步：

每个表达值 x → [cos(απx), sin(απx)]

也就是：把 x 这个「数」，变成坐标平面上的一个点，这个点落在单位圆上，角度由 απx 决定。α 是一个可调的超参数（论文里叫 αfourier），控制「敏感度」。

生活类比 1——钟表指针：

时间是「数值」，你把它映射到表盘上，就变成了「指针的 cos/sin 位置」。12:00 和 12:01 这两个时间，数值上只差 1 分钟，但映射到表盘后，指针的角度能被你一眼区分。

生活类比 2——对比度增强滤镜：

一张照片的灰度值都挤在很窄的范围里，边缘的明暗差看不出来。你拉一下「对比度」滑杆，暗的更暗、亮的更亮，原本模糊的轮廓线立刻清晰了。傅里叶映射就是给「基因表达值」拉对比度。

生活类比 3——把直尺绕成弹簧：

一条直线上两个点离得很近（数值差不多），你很难分辨。但把这条直线绕成螺旋弹簧，两个原本挨着的点，在弹簧上对应的角度可能被拉开很大，一下就能分开了。

三、为什么「绕圆」能增强边界信号

关键在「距离」上。两个表达值 x1 和 x2，映射之后它们之间的距离（平方）是：

∥F(x1) − F(x2)∥² = 2·sin²(απ(x1−x2)/2)

当 x1 和 x2 很接近时，这个式子近似等于 απ·|x1 − x2|。

这意味着：原本很小的差异，被放大了 απ 倍。 而且 cos/sin 是周期振荡的函数，相当于给数据叠加了「高频波动」，天然携带高频信息。

于是，边界两侧「只差一点点」的表达值，经过映射后差距被拉开，模型（后面的线性层、GCN 层）就能「看得见」这个边界了。

四、这篇论文里它扮演什么角色

在 FPS-MGCN 里，傅里叶映射是核心创新，具体这样落地：

• 输入表达矩阵 X（N 个 spot × M 个基因），每个值 xij 都做映射，得到：
  • Xfourier = [cos(απX), sin(απX)]，维度从 N×M 变成 N×2M（每个基因变成 cos、sin 两个通道）。
• 这个 Xfourier 被交给一个专门的 Fourier-GCN 分支，在空间图上传播，学习「边界信号在空间上如何组织」。

反常识：

在傅里叶特征映射中，torch.cat([cos, sin]) 是拼接编码的标准步骤。之所以直接分块拼贴而非按频率交错排列，是因为深度学习的一个基本规律：特征的语义关联由可学习参数自动建立，而不依赖数据的物理排布。

无论后续接什么网络层，运算本质都是参数化的全局聚合。网络不需要 cos⁡​ 和 sin⁡​ 相邻才能识别它们的配对关系，这种关系会在训练中由梯度下降自动捕获。因此，分块排列只是顺应批量计算的自然输出格式、省去内存重排开销，而语义完整性完全由模型自身的表达能力保证。

一句话：论文专门给傅里叶特征开了一条独立通道，和原始表达、空间、特征等通道并行（见 多视图学习与多视图聚类），最后用注意力融合。

五、为什么论文需要它

这是整篇论文的「招牌动作」：

1. 它直接对症下药——GCN 低通看不见高频边界，傅里叶映射显式构造高频通道，把边界信息「递到眼前」。
2. 它代价极低——就一个公式、一个超参数 α，却能显著提升边界敏感度。
3. 它通用——「把数值映射到 sin/cos 上增强突变敏感度」这一招，可以平移到任何需要刻画边界/突变的图模型里（思路借鉴自 NeRF 的 positional encoding）。

论文原文说得最清楚：

"we introduce a Fourier sine–cosine feature mapping that explicitly constructs high-frequency feature channels to enhance sensitivity to high-frequency spatial gradients such as tissue boundaries."

---

数学表达详解：从公式到直觉

这一部分把傅里叶特征映射涉及的三个核心公式拆开讲清楚，适合零基础理解。

1. 核心映射：$x \to [\cos(\alpha\pi x),\ \sin(\alpha\pi x)]$

它在做什么？ 把一个普通的实数 $x$（比如某个基因在某个 spot 的表达值）变成二维平面上的一个点。这个点落在单位圆上，角度由 $\alpha\pi x$ 决定。

• $\alpha$ 是一个可调超参数，控制“放大倍数”
• $\alpha$ 越大，$x$ 的微小变化引起的角度变化越大，映射后的点“转得越快”

直觉类比： 把一条直线绕成弹簧。直线上两个挨得很近的点，绕成弹簧后在圆周上对应的角度可能被拉开很远。

2. 距离公式：映射后两个点离多远？

对于两个表达值 $x_1$ 和 $x_2$，把它们分别映射：

$$F(x_1) = [\cos(\alpha\pi x_1),\ \sin(\alpha\pi x_1)]$$ $$F(x_2) = [\cos(\alpha\pi x_2),\ \sin(\alpha\pi x_2)]$$

我们想知道这两个映射点在平面上的欧氏距离平方 $\|F(x_1)-F(x_2)\|^2$。

推导过程：

距离平方等于横坐标差的平方加纵坐标差的平方：

$$[\cos(\alpha\pi x_1)-\cos(\alpha\pi x_2)]^2 + [\sin(\alpha\pi x_1)-\sin(\alpha\pi x_2)]^2$$

利用和差化积公式：

• $\cos A - \cos B = -2\sin(\frac{A+B}{2})\sin(\frac{A-B}{2})$
• $\sin A - \sin B = 2\cos(\frac{A+B}{2})\sin(\frac{A-B}{2})$

代入 $A = \alpha\pi x_1$，$B = \alpha\pi x_2$，再经过 $\sin^2\theta + \cos^2\theta = 1$ 化简，得到：

$$\|F(x_1)-F(x_2)\|^2 = 4\sin^2\left(\frac{\alpha\pi(x_1-x_2)}{2}\right)$$

注意： 原文笔记里写的是 $2\sin^2(\cdots)$，这里根据推导应为 $4\sin^2(\cdots)$，可能是笔误（也可能源文献的映射前有归一化因子）。关键结构不变：距离只和差值 $x_1-x_2$ 以及 $\alpha$ 有关。

为什么这个式子能“放大差异”？

当 $x_1$ 和 $x_2$ 很接近时，$\sin\theta \approx \theta$，所以：

$$\|F(x_1)-F(x_2)\|^2 \approx 4\left(\frac{\alpha\pi(x_1-x_2)}{2}\right)^2 = (\alpha\pi)^2 (x_1-x_2)^2$$

也就是说，映射后的距离约等于原始差值乘以 $\alpha\pi$。只要把 $\alpha$ 设得够大，原本微小的表达差异就会被放大许多倍，边界两侧的 “一点点不同” 就变得肉眼可见了。

3. 批量操作：$X_{\text{fourier}} = [\cos(\alpha\pi X),\ \sin(\alpha\pi X)]$

这是对整个表达矩阵 $X$（$N$ 个 spot × $M$ 个基因）做映射。

• 对矩阵中每一个元素 $x$ 分别计算 $\cos(\alpha\pi x)$，得到一个同样大小的矩阵
• 再计算 $\sin(\alpha\pi x)$，得到另一个同样大小的矩阵
• 把这两个矩阵左右拼接，结果维度变成 $N \times 2M$

维度变化： $N \times M \to N \times 2M$

每个基因原本只有一个数值，映射后变成一对值 $[\cos(\alpha\pi x), \sin(\alpha\pi x)]$，相当于一个基因变成了两个通道。这就是“给每个基因增加一个高频通道”的含义。

生活类比： 普通照片只有灰度值一个通道，傅里叶映射相当于给每个像素额外增加了一个“相位通道”，让位置信息更丰富。

---

小结

• 公式一：数值 → 圆上的点，是映射本身
• 公式二：映射后距离 ≈ $(\alpha\pi)^2$ 倍原始差值，是放大原理
• 公式三：对整个矩阵批量映射并拼接，是实际代码实现

这三步合起来，就是“给 GCN 装上高频放大镜”的数学基础。

后续联动

概念	关系
低通滤波与高频信号	傅里叶映射要解决的就是「GCN 低通、看不清高频边界」的问题
图卷积网络GCN	映射后的特征交给 Fourier-GCN 分支在空间图上传播
空间转录组与空间域	最终目的是把空间域的边界划得更准
多视图学习与多视图聚类	傅里叶视图是多视图中的一路，与其他视图注意力融合