[논문 리뷰] A Unified Fractional Spectral Framework for Spatiotemporal Graph Signals: Bi-Fractional Transform and Geodesic Coupling

Mingzhi Wang, Manjun Cui외 3명|arXiv (Cornell University)|2026. 03. 02.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

논문은 독립적인 분수 차수를 갖는 이차원 그래프 푸리에 변환 2D-GBFRFT와 인자 그래프에 독립 분수 차수를 부여하는 Bi-Fractional Transform, 그리고 단위 기하 곡선을 통한 내부적으로 geodesic-coupled temporal basis GC-GFRFT, 더해 end-to-end로 학습되는 differentiable Wiener-type 필터링 프레임워크를 제시한다.

ABSTRACT

Graph signal processing extends spectral analysis to data supported on irregular domains. Existing fractional transforms for two-dimensional graph signals, including the two-dimensional graph fractional Fourier transform (GFRFT), typically impose a shared fractional order across dimensions, which limits adaptivity to heterogeneous spatiotemporal spectra. To address this limitation, we propose the two-dimensional graph bi-fractional Fourier transform, which assigns independent fractional orders to the factor graphs of a Cartesian product, enabling decoupled spectral control while preserving separability, unitarity, and invertibility. To further resolve the basis ambiguity in temporal fractional analysis, we develop a geodesic-coupled GFRFT by constructing a coupling path along the principal geodesic on the unitary manifold, thereby unifying graph-induced and discrete temporal bases with guaranteed unitarity and a closed-form inverse. Building on these transforms, we derive a differentiable Wiener-type filtering framework with a hybrid optimization strategy: the fractional orders are learned end-to-end from data, while the coupling parameter is fixed as a structural regularizer. Experiments on real-world time-varying graph datasets and dynamic image restoration tasks demonstrate consistent gains over state-of-the-art fractional transforms and competitive learning-based baselines.

연구 동기 및 목표

• 이질적 시공간 그래프에 대해 2D GFRFT에서 공유된 단일 분수 차수의 한계를 동기 부여하고 해결한다.
• 카테시안 곱의 요인 그래프에 독립적인 분수 차수를 할당하는 이분수 변환을 개발한다.
• 단위 공간에서의 유니터리 기하(geodesic) 결합으로 그래프 유도 기저와 이산 시계열 기저를 연결하고, 닫힌 형식의 역을 갖는 결합을 제시한다.
• 프랙셔널 차수와 스펙트럴 필터를 엔드 투 엔드로 학습하기 위한 미분 가능한 Wiener형 필터링 프레임워크를 만든다.
• 실세계 시간변화 그래프 데이터와 동적 영상 복원에서 이득을 시연한다.

제안 방법

• 요인 그래프 G1과 G2에서 독립적인 분수 차수 alpha1 및 alpha2를 갖는 2D-GBFRFT를 정의한다.
• 유니터리 다양체의 주요 기하학적 geodesic을 따라 그래프 유도 기저와 이산 시계열 기저를 결합하여 GC-GFRFT를 유도한다.
• 제안된 변환들의 유니터리성과 가역성 특성을 증명한다.
• 경사 하강법으로 분수 차수를 학습하고 결합 파라미터 lambda를 고정하는 미분 가능한 Wiener형 필터링 프레임워크를 형식화한다.
• 큰 크로네커 행렬을 형성하지 않도록 분리 가능한 GC-GFRFT를 활용한 효율적 구현을 제공한다.
• 재구성 손실을 최소화하기 위해 스펙트럴 변환, 대각선 스펙트럴 필터링, 역변환을 교대로 수행하는 최적화 알고리즘을 개략한다.

Figure 1: Overview of the proposed GC-GFRFT framework and its applications.

실험 결과

연구 질문

• RQ1 각 요인 그래프에서 독립적인 분수 차수가 이질적인 시공간 데이터에 대한 스펙트럴 표현을 개선할 수 있는가?
• RQ2 유니터리성을 보존하고 닫힌 형식의 역을 제공하면서 그래프 유도 기저와 이산 시계열 분수 기저를 일관되게 결합할 수 있는가?
• RQ3 차분가능한 Wiener형 필터가 시간에 따라 변하는 그래프 신호의 잡음을 제거하기 위해 최적의 분수 차수와 스펙트럴 필터를 학습할 수 있는가?
• RQ4 제안된 GC-GFRFT 프레임워크가 실제 데이터셋에서 가지는 계산적 함의와 실질적 성능 향상은 무엇인가?
• RQ5 이 프레임워크가 기존의 2D-GFRFT와 JFRFT 접근법을 엔드포인트 케이스로 통합하고 확장하는가?

주요 결과

• 2D-GBFRFT는 두 요인 그래프를 따라 독립적인 스펙트럼 제어를 가능하게 하여 이질적인 2D 그래프 신호에 대한 모델링 정확도를 향상시킨다.
• GC-GFRFT는 그래프 유도 기저와 이산 시간 기저 사이의 유니터리 측지 결합과 닫힌 형식의 역을 제공하여 2D-GBFRFT와 JFRFT를 엔드포인트 케이스로 통합한다.
• 미분 가능한 Wiener형 필터링 프레임워크가 alpha와 beta 분수 차수 및 대각 스펙트럴 필터를 학습하는 동시에 lambda를 고정된 규제항으로 취급한다.
• 실 세계의 시간 변동 그래프 데이터와 동적 영상 복원에 대한 실험은 최첨단 분수 변환보다 일관된 이득과 경쟁력 있는 학습 베이스라인을 보여준다.
• 이 프레임워크는 유니터리성, 가역성 및 분리 가능한 변환과 lambda 효과의 위상 기반 매개변수화에 의해 효율적인 계산을 달성한다.