[論文レビュー] Closed Form Solutions of Combinatorial Graph Laplacian Estimation under Acyclic Topology Constraints

Keng-Shih Lu, Antonio Ortega|arXiv (Cornell University)|Nov 1, 2017

Advanced Graph Neural Networks参考文献 11被引用数 5

ひとこと要約

本稿では、非巡回トポロジー制約下での組み合わせ的グラフラプラシアン推定に対して閉形式解を提示し、たった1つのデータサンプルからも効率的な木構造グラフの構築を可能にする。この手法は、反復的最適化を用いずに、経験的共分散行列を活用して最適なエッジ重みを導出する。その結果、高ノイズ環境やスパースなトポロジー下でも、ボーダーフィルターより優れた画像ノイズ除去性能を達成する。

ABSTRACT

How to obtain a graph from data samples is an important problem in graph signal processing. One way to formulate this graph learning problem is based on Gaussian maximum likelihood estimation, possibly under particular topology constraints. To solve this problem, we typically require iterative convex optimization solvers. In this paper, we show that when the target graph topology does not contain any cycle, then the solution has a closed form in terms of the empirical covariance matrix. This enables us to efficiently construct a tree graph from data, even if there is only a single data sample available. We also provide an error bound of the objective function when we use the same solution to approximate a cyclic graph. As an example, we consider an image denoising problem, in which for each input image we construct a graph based on the theoretical result. We then apply low-pass graph filters based on this graph. Experimental results show that the weights given by the graph learning solution lead to better denoising results than the bilateral weights under some conditions.

研究の動機と目的

• グラフラプラシアン推定が閉形式解を有する十分条件を特定すること。
• 限られたデータサンプルから最適な木構造グラフを非反復的に高速に構築する手法を開発すること。
• 閉形式解を巡回グラフに適用した際の理論的誤差バウンドを提供すること。
• 本手法の実用的有効性を、グラフフィルタを用いた画像ノイズ除去の事例を通じて示すこと。

提案手法

• グラフトポロジーが非巡回である場合、経験的共分散行列に基づいてグラフラプラシアン重みの閉形式表現を導出する。
• 疑似行列式とl1正則化損失を用いたガウスマルコフランダムフィールド（GMRF）における最大後確信度（MAP）推定フレームワークを採用する。
• スケーリング逆距離関数を用いて重みを構築する：$ w_{i,j} = \left[1 + (x_i - x_j)^2 / 2\alpha \right]^{-1} $、これは最適解を近似する。
• 学習済みラプラシアンに基づくグラフフィルタを信号処理（例：画像ノイズ除去）に適用する。
• ピークサイナリオノイズ比（PSNR）を指標として用い、合成データおよび実画像を用いて手法を検証する。
• ノイズレベルに応じたパrameter選択を実施し、$ \sigma_d = 3 $、$ \sigma_r = 2\sigma_n $、$ \alpha = 4\sigma_n^2 $ を用いる。

実験結果

リサーチクエスチョン

• RQ1 組み合わせ的グラフラプラシアン推定問題が閉形式解を有するグラフトポロジーの条件は何か？
• RQ2 最小限のデータから非反復的かつデータ効率的な木構造グラフの構築手法を開発可能か？
• RQ3 巡回グラフに閉形式解を適用した際の精度はどの程度で、どのような誤差バウンドを確立できるか？
• RQ4 提案手法によるグラフ重み構築は、画像ノイズ除去タスクにおいて従来のボーダーフィルタリングを上回るか？

主な発見

• グラフが非巡回である場合、グラフラプラシアン重みの閉形式解が経験的共分散行列を用いて明示的に導出可能である。
• 本手法により、1つのデータサンプルからもグラフ構築が可能であり、反復的ソルバーよりも著しく計算コストを削減できる。
• 画像ノイズ除去において、提案重みはボーダーフィルターよりも高いPSNRを達成し、特に高ノイズ環境（例：30 dBノイズ）下で顕著な向上を示す（一部のケースで最大1.5 dBの向上）。
• 5×5ウィンドウトポロジーに閉形式重みを適用した場合、高ノイズ環境下で4つのテスト画像のうち3つでボーダーフィルターよりも優れた性能を示し、PSNR向上は最大1.5 dBに達する。
• 5近傍トポロジーはやや精度に劣るが、計算複雑度が最低であり、高ノイズ環境下でも競争力を持つ。
• 非巡回解を巡回グラフに適用した場合の目的関数に対する誤差バウンドが確立され、実用的状況下でのロバストネスが裏付けられた。