[論文レビュー] Joint Time-Vertex Fractional Fourier Transform

Alikaşifoğlu, Tuna, Bünyamin Kartal+2 more|arXiv (Cornell University)|Mar 15, 2022

Molecular spectroscopy and chirality被引用数 4

ひとこと要約

本稿では、時間-頂点グラフ信号への分数フーリエ解析を拡張するための、連合時間-頂点分数フーリエ変換（JFRT）を導入する。時間的およびグラフ周波数領域に分数順序を適用することにより、JFRTは柔軟な中間領域信号表現を可能にし、合成および実世界のメッシュデータを用いた数値実験において、標準的なJFTよりも優れたノイズ除去およびクラスタリング性能を達成する。

ABSTRACT

Graph signal processing (GSP) facilitates the analysis of high-dimensional data on non-Euclidean domains by utilizing graph signals defined on graph vertices. In addition to static data, each vertex can provide continuous time-series signals, transforming graph signals into time-series signals on each vertex. The joint time-vertex Fourier transform (JFT) framework offers spectral analysis capabilities to analyze these joint time-vertex signals. Analogous to the fractional Fourier transform (FRT) extending the ordinary Fourier transform (FT), we introduce the joint time-vertex fractional Fourier transform (JFRT) as a generalization of JFT. The JFRT enables fractional analysis for joint time-vertex processing by extending Fourier analysis to fractional orders in both temporal and vertex domains. We theoretically demonstrate that JFRT generalizes JFT and maintains properties such as index additivity, reversibility, reduction to identity, and unitarity for specific graph topologies. Additionally, we derive Tikhonov regularization-based denoising in the JFRT domain, ensuring robust and well-behaved solutions. Comprehensive numerical experiments on synthetic and real-world datasets highlight the effectiveness of JFRT in denoising and clustering tasks that outperform state-of-the-art approaches.

研究の動機と目的

• 不規則なグラフ構造上で時間的に変化する信号を扱う連合時間-頂点信号処理において、高度なスペクトル解析ツールの必要性に対応すること。
• 古典的分数フーリエ変換（FRT）をグラフ信号処理（GSP）分野に拡張し、時間および頂点（グラフ）領域の両方で分数解析を可能にすること。
• 連合フーリエ変換（JFT）を一般化し、時間変動するグラフ信号のための統一的でパラメータ化可能な変換フレームワークを構築すること。
• 分数順序に由来する追加の自由度を活用することで、ノイズ除去やクラスタリングなどの信号処理の性能を向上させること。
• JFRTの理論的性質を確立し、インデックス加法性、可逆性、特定の条件下でのユニタリティ、および既知の変換への還元可能性（特殊ケース）を示すこと。

提案手法

• 時間およびグラフ（頂点）領域に独立して分数フーリエ変換を適用する二パラメータ変換として、連合時間-頂点分数フーリエ変換（JFRT）を提案する。
• グラフラプラシアンの固有値分解と時間信号のフーリエ変換を用い、テンソル積構造を通じてそれらを統合してJFRTを定義する。
• 逆JFRTを導出し、元のグラフフーリエ変換がユニタリである場合に限り、可逆性、インデックス加法性、ユニタリティを証明する。
• Tikhonov正則化に基づくノイズ除去法をJFRT領域に定式化し、時間およびグラフ領域の両方で信号を正則化するための連合分数ラプラシアンを用いる。
• 二段階のプロセスによりJFRTを実装する：まず各頂点ごとの時間系列に分数フーリエ変換を適用し、次に頂点間でグラフ分数フーリエ変換を実行する。
• 近隣グラフを空間的接続性のモデルとして用い、重複付き矩形ウィンドウを適用して時間系列を抽出し、分析に用いる。

実験結果

リサーチクエスチョン

• RQ1 分数フーリエ変換は、時間-頂点グラフ信号へ一般化可能であり、中間領域スペクトル解析を可能にするか？
• RQ2 異なるグラフトポロジー下で、提案されたJFRTが加法性、ユニタリティ、可逆性などの理論的性質を満たすか？
• RQ3 JFRTは、標準的なJFTおよび他のハイブリッド変換と比較して、信号のノイズ除去およびクラスタリング性能をどのように向上させるか？
• RQ4 JFRTは、3次元メッシュ上でのモーショントラッキングなどの実世界応用において、通常のJFTを上回る性能を達成するか？
• RQ5 JFRTは、JFT、2次元DFT、2次元DFRTを特殊ケースとして含む統一的フレームワークとして機能するか？

主な発見

• JFRTは標準的なJFTよりも高いクラスタリング精度を達成し、SNRが-10 dBおよび-20 dBの両条件で、分数順序（例：0.6–0.8）でピーク性能を示す。
• -10 dB SNR条件下では、最良のJFRT順序が平均で約92%のクラスタリング精度を達成し、通常のJFTおよび他のハイブリッド構成を顕著に上回る。
• 20回の試行にわたるクラスタリング精度の分布は、分数領域でより集中しており、非分数代替手法よりも優れたロバスト性と性能を示している。
• JFRTに基づくノイズ除去法は、スパースなガウスノイズ（SNR -10 dBおよび-20 dB）を効果的に抑制し、標準的なJFTおよびハイブリッド変換を上回る性能を示す。
• JFRTは順序(1,1)で標準的JFTに還元され、(0,0)では恒等変換に、有向円形グラフでは2次元離散分数フーリエ変換に還元され、既知の変換との整合性を確認している。
• 元のグラフフーリエ変換がユニタリである場合、JFRTはユニタリであり、インデックス加法性および可逆性を満たすため、数学的整合性が裏付けられている。