[論文レビュー] Frequency Analysis of Temporal Graph Signals

Andreas Loukas, Damien Foucard|arXiv (Cornell University)|Feb 14, 2016

Advanced Graph Neural Networks参考文献 15被引用数 13

ひとこと要約

本稿では、時間的に変化するグラフ上での信号を分析するための、共同時間的・グラフ・フーリエ変換（JFT）を導入する。これにより、周波数ドメインにおける統合的処理が可能になる。干渉除去のための最適ウィーナー・フィルタに近似する分散型で線形複雑度の共同フィルタを提案し、中程度の多項式次数で理想的な共同周波数応答をきわめて良好に近似することを示している。

ABSTRACT

This letter extends the concept of graph-frequency to graph signals that evolve with time. Our goal is to generalize and, in fact, unify the familiar concepts from time- and graph-frequency analysis. To this end, we study a joint temporal and graph Fourier transform (JFT) and demonstrate its attractive properties. We build on our results to create filters which act on the joint (temporal and graph) frequency domain, and show how these can be used to perform interference cancellation. The proposed algorithms are distributed, have linear complexity, and can approximate any desired joint filtering objective.

研究の動機と目的

• 時間的およびグラフ周波数解析を統合し、時間的に変化するグラフ上を進化する信号の分析を可能にする。
• ラプラシアン行列や隣接行列を含む、さまざまなグラフ行列表現に適用可能な共同フーリエ変換（JFT）を構築する。
• 時間的およびグラフ周波数ドメインで動作する分散型で低複雑度のフィルタを設計する。
• 時間的グラフ信号における干渉除去のための最適ウィーナー・フィルタを近似する。
• 共同スペクトル構造を活用することで、個別に時間ドメインまたはグラフドメインでフィルタリングするのよりも、共同フィルタリングが優れていることを示す。

提案手法

• JFT(X;G) = ΨG X ΨT^T として定義される共同フーリエ変換（JFT）を提案し、ΨG と ΨT はそれぞれグラフおよび時間的フーリエ変換行列である。
• JFTをクロネッカー積として表現：ΨJ = ΨT ⊗ ΨG により、効率的な計算のための行列-ベクトル乗算が可能になる。
• JFTがユニタリであるための条件を確立し、グラフ変換下でのJFTとGFTの等価性を示す。
• LT^k ⊗ LG^ℓ の形の多項式展開を用いた共同フィルタ設計を導入し、分散計算が可能になる。
• 共同周波数ドメインにおける干渉除去のためのウィーナー・フィルタを導出し、応答 h(λT, λG) = g(λG)/(g(λG) + f(λT)) を得る。
• 多項式近似を用いて共同フィルタを実装し、複雑度は O(MTKL) となる。ここで M は辺の数、T は周期、K と L は近似次数である。

実験結果

リサーチクエスチョン

• RQ1 時間的およびグラフ・フーリエ変換を一般化する共同フーリエ変換を、時間的グラフ信号に対して定義可能か？
• RQ2 さまざまなグラフ行列表現において、共同フーリエ変換のユニタリティを保証する条件は何か？
• RQ3 辺の数および信号周期に対して線形複雑度を持つ分散型で共同フィルタリングをどのように実装できるか？
• RQ4 共同フィルタは、時間的グラフ信号における干渉除去のための最適ウィーナー・フィルタを近似可能か？
• RQ5 多項式ベースの共同フィルタが、理想的な共同周波数応答をどの程度の精度で近似できるか？

主な発見

• グラフ変換と時間的変換がユニタリである限り、共同フーリエ変換（JFT）はユニタリであり、グラフ表現の変更下で標準的グラフ・フーリエ変換を一般化する。
• JFTは時間的およびグラフ周波数スペクトル成分を統合することで、両ドメインで同時に作用するフィルタの設計を可能にする共同周波数解析を実現する。
• 提案された共同フィルタは線形複雑度 O(MTKL) を達成し、分散的に計算可能であり、各ノードは局所的な情報のみを通信すればよい。
• 多項式ベースの共同フィルタは、中程度の近似次数において、干渉除去の最適ウィーナー・フィルタを非常に高い精度で近似しており、図3(b)で示されている。
• 干渉除去の最適フィルタは本質的に共同的である。なぜなら、時間ドメインまたはグラフドメインで別々にフィルタリングするだけでは、相互に依存する統計的構造を捉えきれないからである。
• 共同フィルタ応答 h(λT, λG) = g(λG)/(g(λG) + f(λT)) は、時間的構造を持つ雑音源からのグラフ構造を有する共分散を持つ信号の最良の復元が、共同スペクトル処理を必要とすることを示している。