[論文レビュー] Multiresolution Representations for Piecewise-Smooth Signals on Graphs

Siheng Chen, Aarti Singh+1 more|arXiv (Cornell University)|Mar 8, 2018

Advanced Graph Neural Networks参考文献 28被引用数 10

ひとこと要約

本稿では、グラフを段階的に部分グラフに分割する粗-細分割アプローチを用いて、区分的滑らかグラフ信号のスパース表現のための新しいグラフマルチスケール解析と対応するグラフ辞書を提案する。この手法は、交通網、ソーシャルネットワーク、ポイントクラウドメッシュを含む多様なデータセットにおいて、信号近似および局所化の両面で優れた性能を達成し、8つの既存手法を上回る。

ABSTRACT

What is a mathematically rigorous way to describe the taxi-pickup distribution in Manhattan, or the profile information in online social networks? A deep understanding of representing those data not only provides insights to the data properties, but also benefits to many subsequent processing procedures, such as denoising, sampling, recovery and localization. In this paper, we model those complex and irregular data as piecewise-smooth graph signals and propose a graph dictionary to effectively represent those graph signals. We first propose the graph multiresolution analysis, which provides a principle to design good representations. We then propose a coarse-to-fine approach, which iteratively partitions a graph into two subgraphs until we reach individual nodes. This approach efficiently implements the graph multiresolution analysis and the induced graph dictionary promotes sparse representations piecewise-smooth graph signals. Finally, we validate the proposed graph dictionary on two tasks: approximation and localization. The empirical results show that the proposed graph dictionary outperforms eight other representation methods on six datasets, including traffic networks, social networks and point cloud meshes.

研究の動機と目的

• 都市移動やソーシャルネットワークプロファイルなどの複雑で不規則なデータに対して、区分的滑らかグラフ信号の数学的に厳密な定義を提供すること。
• 区分的滑らかグラフ信号に対する原理的でスパースな表現の欠如に応えるために、構造的なグラフ辞書を導入すること。
• 効率的かつ効果的な信号表現を実現するため、グラフ上でマルチスケール解析を実装する粗-細分割戦略を開発すること。
• 実世界のデータセットを用いた検証を通じて、信号近似および局所化タスクにおける本手法の優位性を示すこと。

提案手法

• 同質領域間の境界で大きな変動を示し、領域内では小さな変動を示す信号として、区分的滑らかグラフ信号を定義する。
• 古典的マルチスケール解析を模倣した、グラフ構造に適応したグラフマルチスケール解析フレームワークを提案する。
• マルチスケール解析を粗-細分解を用いて実装：グラフを再帰的に2つの連結部分グラフに分割し、個々のノードに到達するまで繰り返す。
• 分割プロセスからグラフウェーブレット基底を構築し、良好に構造化され、ストレージ効率の高いグラフ辞書を形成する。
• 誘導されたグラフ辞書を用いて、不連続性と局所的滑らかさを捉えることで、区分的滑らか信号のスパース表現を促進する。
• マンハッタンのタクシー拾い上げおよびレストラン分布データセット、フェイスブックのソーシャルネットワーク、ポイントクラウドメッシュを含む6つの実世界グラフを用いた近似および局所化タスクにより、手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 不規則で複雑なデータ構造の文脈において、区分的滑らかグラフ信号を形式的かつ厳密に定義する方法は何か？
• RQ2 スパース信号表現を支援するため、グラフ上でマルチスケール解析を効果的かつ効率的に実装する方法は何か？
• RQ3 粗-細グラフ分割戦略は、区分的滑らか信号のスパース性を促進するグラフ辞書を生成できるか？
• RQ4 近似精度および局所化性能の観点から、本手法で提案されたグラフ辞書は、既存の表現手法と比べてどのように優れているか？
• RQ5 交通網やソーシャルメディアなどの実世界の状況において、本手法は測定可能な優位性を示すか？

主な発見

• 提案された区分的滑らかグラフ辞書は、全テストデータセットにおいて最高の信号対雑音比（SNR）と最小の正規化平均二乗誤差を達成した。
• マンハッタンのタクシー拾い上げおよびレストラン分布データセットにおいて、スペクトルグラフウェーブレットやサブグラフベースのフィルターバンクを含む、他のすべての手法を上回った。
• ミネソタの道路網における局所化タスクでは、低雑音レベルでも最高のSNRおよび相関スコアを達成した。
• 交通網、引用ネットワーク、ソーシャルネットワーク、ポイントクラウドメッシュを含む6つの実世界グラフにおいて、8つの競合手法を上回った。
• 粗-細分割アプローチは、グラフマルチスケール解析の条件を満たす効率的なグラフウェーブレット基底の構築を可能にした。
• グラフ辞書は、区分的滑らか信号の正確な再構成を可能にし、可視化結果から過剰に滑らかにされたり、不十分に滑らかにされたりした代替手法と比較して、活性化領域の局所化が優れていた。