[論文レビュー] Task-Based Graph Signal Compression

Pei Li, Nir Shlezinger+3 more|arXiv (Cornell University)|Oct 24, 2021

Advanced Graph Neural Networks参考文献 37被引用数 4

ひとこと要約

本稿では、帯域制限付きグラフ信号の圧縮のための連携サンプリングおよび量子化フレームワークを提案する。圧縮をスペクトル回復を目的としたタスク指向量子化問題としてモデル化することで、有限ビット表現で無限分解能量子化器に近い再構成精度を達成する。反復的ビット割り当てアルゴリズムとグラフフィルタベースのサンプリングを導入し、分散的・低複雑性の実装を実現する。

ABSTRACT

Graph signals arise in various applications, ranging from sensor networks to social media data. The high-dimensional nature of these signals implies that they often need to be compressed in order to be stored and transmitted. The common framework for graph signal compression is based on sampling, resulting in a set of continuous-amplitude samples, which in turn have to be quantized into a finite bit representation. In this work we study the joint design of graph signal sampling along with quantization, for graph signal compression. We focus on bandlimited graph signals, and show that the compression problem can be represented as a task-based quantization setup, in which the task is to recover the spectrum of the signal. Based on this equivalence, we propose a joint design of the sampling and recovery mechanisms for a fixed quantization mapping, and present an iterative algorithm for dividing the available bit budget among the discretized samples. Furthermore, we show how the proposed approach can be realized using graph filters combining elements corresponding the neighbouring nodes of the graph, thus facilitating distributed implementation at reduced complexity. Our numerical evaluations on both synthetic and real world data shows that the joint sampling and quantization method yields a compact finite bit representation of high-dimensional graph signals, which allows reconstruction of the original signal with accuracy within a small gap of that achievable with infinite resolution quantizers.

研究の動機と目的

• サンプリングと量子化を別々の段階として扱う従来のグラフ信号圧縮手法におけるギャップを埋める。すなわち、ビット効率を統合最適化するのではなく、分離して処理する点を改善する。
• サンプリングおよび量子化されたデータから信号のスペクトルを回復するというタスクを目的とした、グラフ信号圧縮をタスク指向量子化問題として定式化する。
• 固定ビット予算下で信号再構成の平均二乗誤差（MSE）を最小化するように、サンプリングと量子化を連携して最適化する戦略を設計する。
• 隣接ノードからの情報を統合するグラフフィルタを活用することで、分散実装を可能にし、計算複雑性を低減する。
• 再構成誤差を最小化するために、利用可能なビットをサンプリングされた信号成分間で最適に割り当てる反復的ビット割り当てアルゴリズムを開発する。

提案手法

• 帯域制限付きグラフ信号のスペクトルを、サンプリングおよび量子化されたデータから回復するというタスクを目的としたタスク指向量子化として、グラフ信号圧縮をモデル化する。
• 量子化の前にグラフフィルタを導入し、隣接ノードからの信号を統合することで、局所的かつ分散的計算を可能にする。
• 制約なしのグラフフィルタに対しては、各サンプルのビット割り当てが固定された条件下でMSEを最小化する最適なサンプリング行列を導出する。
• 再構成精度の勾配に基づく改善を根拠に、ビットを再割り当てすることで、各サンプル間でビットを最適に再分配する反復的ビット割り当てアルゴリズムを提案する。
• 信号の共分散とノイズの共分散のトレース最大化を用いて最適化問題を定式化し、回復フィルタの閉形式解を得る。
• 元の最適化問題とスペクトル領域における変換問題との等価性を証明し、固有値分解を用いた効率的な計算を可能にする。

実験結果

リサーチクエスチョン

• RQ1 グラフ信号の連携サンプリングおよび量子化設計を、スペクトル回復を目的としたタスク指向量子化問題として定式化できるか？
• RQ2 再構成誤差を最小化するために、利用可能なビット予算をサンプリングされたグラフ信号成分間で最適に割り当てることは可能か？
• RQ3 サンプリングプロセスにグラフフィルタを用いることで、圧縮システムの性能と複雑性にどのような影響を与えるか？
• RQ4 本手法は、従来の分離的サンプリングおよび量子化アプローチと比較して、再構成精度およびビット効率の点で優れているか？
• RQ5 連携設計は、局所的なノード間相互作用を用いて分散的に実装可能であり、その結果として計算複雑性がどの程度低減されるか？

主な発見

• 提案手法は、有限ビット表現でも無限分解能量子化器に近い再構成精度を達成しており、小さなギャップで性能を実現する。
• 反復的ビット割り当てアルゴリズムは、再構成感度の高いサンプルにビットを再割り当てすることで、均等なビット割り当てに比べて顕著に全体の精度を向上させる。
• グラフフィルタの導入により、サンプリングプロセスの分散実装が可能となり、計算複雑性が低減され、大規模グラフへのスケーラビリティが向上する。
• 統一されたビット予算制約下で両段階を統合最適化する点で、従来の分離的サンプリングおよび量子化アプローチを上回る性能を発揮する。
• 理論的分析により、提案アルゴリズムが近似的に最適解に収束することを証明し、最終的なビット割り当てが勾配に基づく改善の終了条件を満たしていることを示す。
• 合成および実世界のグラフ信号を用いた数値評価により、本手法がコンactな有限ビット表現で高精度再構成を達成できることを確認した。