[論文レビュー] Detecting Activations over Graphs using Spanning Tree Wavelet Bases

James Sharpnack, Akshay Krishnamurthy+1 more|arXiv (Cornell University)|Jun 5, 2012

Image and Signal Denoising Methods参考文献 20被引用数 11

ひとこと要約

本稿では、ガウスノイズ下でのグラフ上における区分的定数活性化を検出するためのスパニングツリー・ウェーブレット基底を提案する。ランダムなスパニングツリーの階層的分解を活用することで、近似的に最適な検出性能を達成する。一様スパニングツリー・ウェーブレット検出器は、エッジ推移的で、k近傍、およびεグラフにおいて、低信号対ノイズ比の状況下で、帰無仮説と対立仮説を漸近的に区別可能であり、根本的な検出限界に対数要因を除き一致する。

ABSTRACT

We consider the detection of activations over graphs under Gaussian noise, where signals are piece-wise constant over the graph. Despite the wide applicability of such a detection algorithm, there has been little success in the development of computationally feasible methods with proveable theoretical guarantees for general graph topologies. We cast this as a hypothesis testing problem, and first provide a universal necessary condition for asymptotic distinguishability of the null and alternative hypotheses. We then introduce the spanning tree wavelet basis over graphs, a localized basis that reflects the topology of the graph, and prove that for any spanning tree, this approach can distinguish null from alternative in a low signal-to-noise regime. Lastly, we improve on this result and show that using the uniform spanning tree in the basis construction yields a randomized test with stronger theoretical guarantees that in many cases matches our necessary conditions. Specifically, we obtain near-optimal performance in edge transitive graphs, $k$-nearest neighbor graphs, and $ε$-graphs.

研究の動機と目的

• 任意のグラフ上でガウスノイズ下の区分的定数信号の検出のための計算的に実行可能な手法を開発すること。
• 帰無仮説（活性化なし）と対立仮説（構造的活性化あり）を区別する理論的保証を確立すること。
• ウェーブレット基底構築におけるランダム化された一様スパニングツリーの使用により、検出性能を向上させること。
• エッジ推移的、k-NN、およびεグラフにおいて、根本的な検出限界に対数要因を除き一致する近似的最適性を実証すること。

提案手法

• グラフのスパニングツリー上にハールに類似したウェーブレット基底を構築し、局所的な信号表現を可能にする。
• スパニングツリーの階層的分割を用いて、信号の不連続性を捉えるウェーブレット係数を定義する。
• 理論的検出保証の向上を図るため、ランダム化された一様スパニングツリー（UST）を用いる。
• 仮説検定のための検定統計量として、ウェーブレット係数のℓ∞-ノルム、||By||∞を採用する。
• 検出性能を信号の不連続数ρとエッジの有効抵抗に結びつける。
• 理論的解析にあたり、グラフ理論的ツール（エッジ接続行列とフォスターの定理）を活用する。

実験結果

リサーチクエスチョン

• RQ1 一般のグラフ上でガウスノイズ下の区分的定数信号の検出可能性の根本的限界は何か？
• RQ2 ウェーブレットに基づく手法は、任意のグラフ構造において低計算コストで証明可能な検出保証を達成できるか？
• RQ3 スパニングツリーの選択が、信号対ノイズ比の観点で検出性能に与える影響は何か？
• RQ4 決定的選択と比較して、ランダム化されたスパニングツリーは理論的検出閾値をどの程度改善できるか？
• RQ5 提案手法は、k-NNやεグラフといった一般的なランダムグラフモデルにおいて、近似的に最適性を達成するか？

主な発見

• 本稿では普遍的な下界を確立する：µ/σ = o(√(min{ρ/dmax, √n})) であれば、H0とH1は漸近的に区別不能である。
• 任意のスパニングツリーに対して、ウェーブレットベースの検出器は、µ/σ が √(ρ log d log n) よりも速やかに増加する場合に検出を達成する。
• 一様スパニングツリーを用いることで、平均有効抵抗に関連する要因で境界が改善され、エッジ推移的グラフでは µ/σ = ω(√(ρ/d log d log n)) が得られる。
• k近傍グラフでは、正則性条件のもとで、µ/σ = ω(√(ρ/k log d log n)) のとき、検出器は近似的に最適性を達成する。
• εグラフでは、p ≥ pmin かつ nǫd+2 → ∞ の仮定の下で、µ/σ = ω(√(ρ/(nǫd log d log n))) のとき、根本的な限界に一致する。
• シミュレーションにより理論的境界が確認され、||Bx||0 と ρ log d log n の間で線形スケーリングが観察され、スパarsity境界の妥当性が検証された。