[論文レビュー] On the Shift Operator and Optimal Filtering in Graph Signal Processing.

Adnan Gavili, Xiao–Ping Zhang|arXiv (Cornell University)|Nov 6, 2015

Advanced Graph Neural Networks被引用数 4

ひとこと要約

本稿では、隣接行列やラプラシアン行列を用いる従来の手法とは異なり、信号エネルギーを保存する新しいグラフシフト演算子を提案する。この演算子を用いることで、すべてのシフト不変グラフフィルタがその演算子の多項式として表現できることを示し、最適なフィルタリングの基盤を確立する。さらに、グラフ固有のウィーナー・フィルタを導出するとともに、古典的ウィーナー・フィルタリングが有向サイクルグラフ上での特別な場合であることを証明する。

ABSTRACT

Defining a sound shift operator for signals existing on a certain graph structure, similar to the well-defined shift operator in classical signal processing, is a crucial problem in graph signal processing. Since almost all operations, such as filtering, transformation, prediction, etc., are directly related to the graph shift operator. We define a unique set of shift operators that satisfy all properties of the shift operator in the classical signal processing, especially energy preservation property. Our definition of the graph shift operator negates the shift operators defined in the literature, such as the extit{graph adjacency matrix} as the shift operator, and extit{Laplacian matrix} based shift operators, etc., which modify the energy of a graph signal. We further show that any shift invariant graph filter can be written as a polynomial function of the graph shift operator. We also show that the adjacency matrix of a graph is indeed a linear shift invariant graph filter with respect to the defined shift operator. Inheriting the concepts of finite impulse response (FIR) and infinite impulse from classical signal processing, we introduce graph finite impulse response (GFIR) and graph infinite impulse response (GIIR) filters and obtain explicit forms for such filters. We further obtain the optimal filtering on graphs, i.e., the corresponding \emph{Wiener} filtering on graphs, and elaborate on the structure of such filters for any arbitrary graph structure. We specially treat the directed cyclic graph and show that the optimal linear shift invariant filter is indeed the \emph{Wiener} filter in classical signal processing. This result show that, optimal linear time invariant filters for time series data is a subset of optimal graph filters. We also elaborate on the best linear predictor graph filters and optimal filters for product graphs.

研究の動機と目的

• 既存のグラフ信号処理フレームワークにおける主要な制限を解決するため、グラフ信号のエネルギーを保存するグラフシフト演算子を定義すること。
• 提案されたシフト演算子の多項式関数として表現可能なシフト不変グラフフィルタの存在を示し、一貫性のあるフィルタ設計フレームワークを確立すること。
• 任意のグラフにおける最適線形フィルタ（例えば、グラフFIRおよびIIRフィルタ、グラフウィーナー・フィルタなど）を導出すること。
• 時間系列における古典的ウィーナー・フィルタリングが、提案された最適グラフフィルタリングフレームワークの特別な場合として導かれるかどうかを示すこと。
• 提案されたシフト演算子フレームワークを用いて、積グラフにおける最適線形予測およびフィルタリングを分析すること。

提案手法

• グラフの構造から構築することで、すべての古典的信号処理の性質（特にエネルギー保存）を満たす一意なグラフシフト演算子を定義する。
• 任意のシフト不変グラフフィルタが、提案されたシフト演算子の多項式として表現可能であることを証明し、一貫性のあるフィルタ設計フレームワークを保証する。
• 古典的FIR/IIRフィルタに類似したグラフFIR（GFIR）およびグラフIIR（GIIR）フィルタを導入し、明示的な解析的表現を導出する。
• シフト演算子フレームワークの下で最小平均二乗誤差問題を解くことで、グラフ用の最適ウィーナー・フィルタを導出する。
• 有向サイクルグラフにこのフレームワークを適用し、最適グラフフィルタが古典的ウィーナー・フィルタに正確に還元されることを示し、時間系列処理とグラフフィルタリングの理論的関連性を確立する。
• フレームワークを積グラフに拡張し、構造的グラフトポロジにおける最適フィルタリングおよび予測の分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 隣接行列やラプラシアン行列とは異なり、グラフ信号のエネルギーを保存するようなグラフシフト演算子は、どのように定義できるか？
• RQ2 すべてのシフト不変グラフフィルタは、適切に定義されたシフト演算子の多項式関数として表現可能であるか？その表現の意義は何か？
• RQ3 提案されたシフト演算子フレームワーク下での任意のグラフにおける最適線形フィルタ（例：ウィーナー・フィルタ）の明示的表現は何か？
• RQ4 時間系列における古典的ウィーナー・フィルタリングは、提案された最適グラフフィルタリングフレームワークの特別な場合として導かれるか？
• RQ5 新しいシフト演算子を用いて、積グラフにおける最適線形予測およびフィルタリングはどのように定式化できるか？

主な発見

• 提案されたグラフシフト演算子は、隣接行列やラプラシアン行列とは異なり、信号エネルギーを一意に保存する。
• すべてのシフト不変グラフフィルタは、数学的に提案されたシフト演算子の多項式関数と等価であり、統一的なフィルタ設計アプローチを可能にする。
• グラフの隣接行列が、新しいシフト演算子に関して線形シフト不変フィルタとして同定されることを示し、フレームワーク内での整合性を裏付ける。
• グラフFIR（GFIR）およびグラフIIR（GIIR）フィルタが明示的な解析的表現とともに形式的に定義され、古典的フィルタ概念がグラフに拡張された。
• 任意のグラフ構造に対して最適グラフウィーナー・フィルタが導出され、グラフ上での最適信号推定の原理的手段が提供される。
• 有向サイクルグラフ上では、最適線形シフト不変グラフフィルタが正確に古典的ウィーナー・フィルタに還元される。これにより、古典的時間系列フィルタリングが最適グラフフィルタリングの部分集合であることが証明される。