[論文レビュー] Multi-dimensional Graph Fourier Transform

Takashi Kurokawa, Taihei Oki+1 more|arXiv (Cornell University)|Dec 21, 2017

Advanced Graph Neural Networks参考文献 18被引用数 12

ひとこと要約

本稿では、直積グラフにおける各因子グラフに沿った方向性周波数情報を保持する多変数グラフフーリエ変換（MGFT）を提案する。従来のグラフフーリエ変換が得る1次元のスペクトルを、多次元周波数ドメインに再編成することで、方向性周波数情報を維持する。本手法はスペクトルの多値性を解消し、画像や時系列センサデータ、協調フィルタリングデータなど多次元グラフ信号の信号処理を向上させる。

ABSTRACT

Many signals on Cartesian product graphs appear in the real world, such as digital images, sensor observation time series, and movie ratings on Netflix. These signals are "multi-dimensional" and have directional characteristics along each factor graph. However, the existing graph Fourier transform does not distinguish these directions, and assigns 1-D spectra to signals on product graphs. Further, these spectra are often multi-valued at some frequencies. Our main result is a multi-dimensional graph Fourier transform that solves such problems associated with the conventional GFT. Using algebraic properties of Cartesian products, the proposed transform rearranges 1-D spectra obtained by the conventional GFT into the multi-dimensional frequency domain, of which each dimension represents a directional frequency along each factor graph. Thus, the multi-dimensional graph Fourier transform enables directional frequency analysis, in addition to frequency analysis with the conventional GFT. Moreover, this rearrangement resolves the multi-valuedness of spectra in some cases. The multi-dimensional graph Fourier transform is a foundation of novel filterings and stationarities that utilize dimensional information of graph signals, which are also discussed in this study. The proposed methods are applicable to a wide variety of data that can be regarded as signals on Cartesian product graphs. This study also notes that multivariate graph signals can be regarded as 2-D univariate graph signals. This correspondence provides natural definitions of the multivariate graph Fourier transform and the multivariate stationarity based on their 2-D univariate versions.

研究の動機と目的

• 直積グラフ上での信号の方向性周波数特性を扱う従来のグラフフーリエ変換（GFT）の限界を解消すること。
• ラプラシアン行列の固有値が重複する（非一意）場合に生じるGFTにおけるスペクトルの多値性問題を解消すること。これは、積グラフにおいて一般的に発生する。
• 各因子グラフの方向性周波数成分を多次元スペクトルドメインに統合することで、より深い周波数解析を可能にすること。
• グラフ信号の次元構造を活用した、新たなフィルタリング手法および定常性の定義を確立すること。
• 多変数グラフ信号を2次元の単変数グラフ信号として扱うことで、統一的なフレームワークを提供し、多変数GFTおよび定常性の自然な定義を可能にすること。

提案手法

• 直積グラフの代数的性質を活用し、ラプラシアン行列および固有構造を各因子グラフに対応する成分に分解する。
• 1次元GFTスペクトルを、各次元が因子グラフに沿った方向性周波数に対応するn次元周波数ドメインに再構成する。
• 積グラフのラプラシアン行列の固有分解を用いて、各次元ごとに一意な周波数インデックスを割り当て、明確なスペクトルを保証する。
• 各因子グラフのラプラシアン行列の固有値によってインデックス付けされた多次元配列に、1次元スペクトル係数を再配置する。
• 多変数グラフ信号を、積グラフ上の2次元単変数信号として定式化し、単変数の対応物から多変数GFTおよび定常性を導出可能にする。
• ラプラシアン行列と共分散行列の同時対角化を活用し、G1定常性の条件を確立し、スペクトル表現を導出する。

実験結果

リサーチクエスチョン

• RQ1 従来のグラフフーリエ変換を、多次元グラフ信号における方向性周波数情報を保持する形にどのように拡張できるか？
• RQ2 直積グラフ上での従来GFTにおけるスペクトルの多値性は、どのような状況で生じるのか。そして、どのように解消できるか？
• RQ3 直積グラフの代数的構造が、多次元スペクトル解析を可能にする役割は何か？
• RQ4 多次元スペクトルフレームワークを用いることで、グラフ信号処理における定常性概念をどのように一般化できるか？
• RQ5 多変数グラフ信号を自然に2次元単変数信号としてモデル化することで、一貫性のある多変数GFTおよび定常性の定義を導出できるか？

主な発見

• 提案された多変数グラフフーリエ変換（MGFT）は、各次元ごとに一意な周波数インデックスを割り当てることで、スペクトルの多値性を明確に解消し、明確なスペクトルを保証する。
• MGFTは、各因子グラフに沿った周波数コンテンツを明示的に表現することで、従来のGFTが全方向を1次元スペクトルに圧縮するのとは異なり、方向性周波数解析を可能にする。
• ラプラシアン行列の重複固有値が存在する場合でも、MGFTは直積グラフ上での信号に対して明確なスペクトル表現を実現する。
• MGFTフレームワークは、次元構造を活用した新しいフィルタリング技術を支援し、多次元グラフ信号処理の性能を向上させる。
• 本研究は、多変数グラフ信号と2次元単変数グラフ信号の間の正式な関係を確立し、多変数グラフフーリエ変換および定常性の自然な定義を可能にする。
• 理論的結果により、信号のG1定常性が、その共分散行列が最初の因子グラフのラプラシアンと同時に対角化可能であることと同値であることが確認された。