[論文レビュー] Robust Adaptive Generalized Correntropy-based Smoothed Graph Signal Recovery with a Kernel Width Learning

Razieh Torkamani, Hadi Zayyani+1 more|arXiv (Cornell University)|Sep 19, 2022

Blind Source Separation Techniques被引用数 5

ひとこと要約

本稿では、一般化ガウス分布カーネルを用いた一般化コルレントロピーとカーネル幅学習を組み合わせた、インパルシブノイズに強いロバストな適応的グラフ信号復元アルゴリズムを提案する。グラフスムージングと一般化ガウス分布カーネルに基づく一般化コルレントロピーのコスト関数を組み合わせることで、α安定分布およびGGDインパルシブノイズ下での合成的および実世界の温度データにおいて、LMSおよびLMP手法よりも優れた性能を達成する。

ABSTRACT

This paper proposes a robust adaptive algorithm for smooth graph signal recovery which is based on generalized correntropy. A proper cost function is defined for this purpose. The proposed algorithm is derived and a kernel width learning-based version of the algorithm is suggested which the simulation results show the superiority of it to the fixed correntropy kernel version of the algorithm. Moreover, some theoretical analysis of the proposed algorithm are provided. In this regard, firstly, the convexity analysis of the cost function is discussed. Secondly, the uniform stability of the algorithm is investigated. Thirdly, the mean convergence analysis is also added. Finally, the complexity analysis of the algorithm is incorporated. In addition, some synthetic and real-world experiments show the advantage of the proposed algorithm in comparison to some other adaptive algorithms in the literature of adaptive graph signal recovery.

研究の動機と目的

• 従来の適応的グラフ信号復元（GSR）アルゴリズムがガウスノイズを仮定しているという制限を解決し、インパルシブノイズ下で性能が低下することを是正する。
• センサーネットワークなどの実世界の応用で一般的な非ガウス的で重い尾を持つインパルシブノイズ環境に適したロバストなGSRアルゴリズムを開発する。
• ベイズ推論を用いたカーネル幅学習メカニズムを導入し、一般化コルレントロピーに基づくコスト関数の適応性と性能を向上させる。
• 凸性、一様安定性、平均収束、計算複雑度解析を含む理論的保証を提供する。
• さまざまなノイズモデルとサンプリングレート下での合成的および実世界の温度信号を用いた広範なシミュレーションを通じて、アルゴリズムの優位性を実証する。

提案手法

• グラフスムージングと一般化コルレントロピーを組み合わせたコスト関数を定式化し、後者は一般化ガウス分布（GGD）をカーネル関数として用いる。
• オンラインでストリーミング処理可能な形で、一般化コルレントロピー基準に基づく適応的アルゴリズムを導出する。
• ベイズ推論を用いてカーネルパラメータβの動的調整を可能にするカーネル幅学習メカニズムを実装し、ノイズ分布の変化に対するロバスト性を向上させる。
• カーネル幅学習を適応的更新則に統合し、収束性とノイズ耐性を強化する。
• 理論的分析にはコスト関数の凸性、一様安定性、平均収束、計算複雑度の評価が含まれる。
• アルゴリズムを合成グラフ信号およびIntel Berkeley Research Labデータセットからの実世界の温度データに適用する。

実験結果

リサーチクエスチョン

• RQ1 提案された一般化コルレントロピーに基づくGSRアルゴリズムは、従来のLMSおよびLMP手法と比較して、インパルシブノイズ条件下でどのように性能を発揮するか？
• RQ2 カーネル幅パラメータβの学習が、適応的GSRアルゴリズムのロバスト性と収束性をどの程度向上させるか？
• RQ3 非ガウス的ノイズ下で、提案されたアルゴリズムの理論的安定性および収束特性はいかなるものか？
• RQ4 実世界のシナリオにおいて、変化する信号ダイナミクスとノイズレベルにアルゴリズムはどのように適応するか？
• RQ5 一般化コルレントロピーとGGDカーネルは、α安定分布およびGGDのような重い尾を持つインパルシブノイズ分布を効果的にモデル化できるか？

主な発見

• 提案されたGC-GSRアルゴリズムは、すべてのテストノイズモデルおよびサンプリングレートで、LMSおよびLMPよりも低い最終的正規化平均二乗偏差（NMSD）を達成した。
• M=50、70、81のサンプリングノードを用いた実験では、提案アルゴリズムがLMSおよびLMPを一貫して上回り、特にα安定分布およびGGDインパルシブノイズ下で顕著な優位性を示した。
• η=0.2およびν=1.3のGGDノイズ下では、提案アルゴリズムが最小のNMSDを達成し、重い尾を持つノイズに対して高いロバスト性を示した。
• 変動する信号対ノイズ比（SNR）下でも、提案アルゴリズムは優れた性能とより速い収束を示し、特に低SNR条件下で顕著であった。
• M=30、40、54のセンサを用いた実世界の温度信号復元では、提案アルゴリズムがすべての構成およびノイズタイプで最良のNMSDを維持した。
• カーネル幅学習メカニズムは性能を顕著に向上させた。固定カーネルのコルレントロピー手法と比較した結果、適応的カーネルバージョンが優れた性能を示した。