[論文レビュー] Hilbert Transform, Analytic Signal, and Modulation Analysis for Graph Signal Processing

Arun Venkitaraman, Saikat Chatterjee+1 more|arXiv (Cornell University)|Nov 16, 2016

Advanced Graph Neural Networks参考文献 62被引用数 5

ひとこと要約

本稿では、グラフ信号におけるヒルベルト変換および解析的信号の枠組みを、グラフフーリエ変換（GFT）の類縁な共役対称性を活用して、片側スペクトルを実現するものとして提案する。この手法により、グラフ信号における振幅、位相、周波数変調解析が可能となり、主な結果としてDFTとGFT特徴量を組み合わせることでスプーキング分類性能が2%向上し、画像および音声信号における異常値の強調も有効である。

ABSTRACT

We propose Hilbert transform (HT) and analytic signal (AS) construction for signals over graphs. This is motivated by the popularity of HT, AS, and modulation analysis in conventional signal processing, and the observation that complementary insight is often obtained by viewing conventional signals in the graph setting. Our definitions of HT and AS use a conjugate-symmetry-like property exhibited by the graph Fourier transform (GFT). We show that a real graph signal (GS) can be represented using smaller number of GFT coefficients than the signal length. We show that the graph HT (GHT) and graph AS (GAS) operations are linear and shift-invariant over graphs. Using the GAS, we define the amplitude, phase, and frequency modulations for a graph signal (GS). Further, we use convex optimization to develop an alternative definition of envelope for a GS. We illustrate the proposed concepts by showing applications to synthesized and real-world signals. For example, we show that the GHT is suitable for anomaly detection/analysis over networks and that GAS reveals complementary information in speech signals.

研究の動機と目的

• 1D/2D信号処理における成功にインspiredして、従来のヒルベルト変換および解析的信号の概念をグラフ上の信号に拡張すること。
• グラフフーリエ変換（GFT）の類縁な共役対称性を活用し、グラフ解析的信号のための片側スペクトルを定義すること。
• グラフ信号における変調解析（振幅、位相、周波数）を可能にし、グラフ信号処理のための新規ツールを提供すること。
• グラフヒルベルト変換がグラフ構造データにおける異常および不連続性を検出する有効性を示すこと。
• グラフベースの変調特徴量が、実世界の応用例（例：スプーキング認識）における分類性能を向上させることを示すこと。

提案手法

• GFT基底の類縁な共役対称性を活用し、実数グラフ信号に対して片側スペクトルを保証するグラフヒルベルト変換を定義する。
• 元の信号と、グラフヒルベルト変換により得られる虚数部の和として、グラフ解析的信号を構築する。
• 1Dケースに類似した等長性、位相シフト、直交性といった数学的性質を確立する。
• 画像および音声データにおける可視化により、グラフヒルベルト変換がエッジおよび不連続性を強調することが示された。
• 接続性を保証し、悪条件化を回避する制約を課した最小二乗最適化を用いて、音声データからグラフ隣接行列を学習する。
• 振幅および周波数変調のDFTおよびGFTからの特徴量ベクトルを用いて、音声フレームの分類器をニューラルネットワークで学習する。

実験結果

リサーチクエスチョン

• RQ1 1D信号処理における重要な性質を保ちつつ、ヒルベルト変換および解析的信号をグラフ上の信号に意味的に一般化できるか？
• RQ2 1D信号で観察された異常強調特性が、グラフ構造データにおける不連続性に対してもグラフヒルベルト変換に引き継がれるか？
• RQ3 グラフベースの振幅および周波数変調は、従来の1D変調と比較して、どの程度補完的情報を提供するか？
• RQ4 提案されたグラフ変調解析が、実世界の分類タスク（例：スプーキング認識）における性能向上に寄与するか？
• RQ5 グラフヒルベルト変換は、従来の1Dケースと同様にベドロサンの性質を満たすか？

主な発見

• グラフヒルベルト変換は、2D画像信号においてエッジおよび信号の不連続性を効果的に強調しており、元の信号と変換後の信号の可視的比較により実証された。
• グラフ解析的信号は、1Dケースと同様に等長性、位相シフト、直交性といった重要な性質を継承しており、数学的整合性が確認された。
• グラフヒルベルト変換は一般にベドロサンの性質を満たさないため、1Dの対応物とは明確に区別される。
• DFTおよびGFTのグラフ変調からの特徴量を組み合わせた分類器3は、72.6%の分類精度を達成し、DFTのみの分類器（70.8%）を最大2%上回った。
• ニューラルネットワークの性能は5個の隠れニューロンを過ぎると飽和するため、グラフベースの特徴量は最小限のモデル複雑性で十分な識別力を持つことが示された。
• 音声信号をグラフ信号として扱うことで、時間的近傍を超えた広範な信号相関を捉えることができ、1D特徴量と組み合わせることでスプーキング認識性能が向上した。