[논문 리뷰] Characterization and inference of weighted graph topologies from observations of diffused signals.

Bastien Pasdeloup, Vincent Gripon외 3명|arXiv (Cornell University)|2016. 05. 09.

Complex Network Analysis Techniques참고 문헌 46인용 수 6

한 줄 요약

이 논문은 관측된 확산 신호들로부터 가중치가 부여된 그래프의 구조를 추론하는 방법을 제안한다. 신호들을 상호 독립적인 초기 소스로 모델링하고, 이들이 확산 과정을 통해 변화하는 방식을 고려한다. 타당한 그래프 공간이 볼록 다면체를 이룬다는 것을 보이고, 선형 프로그래밍을 사용하여 희소하거나 단순한 그래프를 선택함으로써 이상적인 경우에 정확한 복원을 달성하며, 관측 수가 제한된 경우에도 높은 정확도를 보인다. 이는 시뮬레이션 데이터와 음성 데이터에서 검증되었다.

ABSTRACT

In the field of signal processing on graphs, a key tool to process signals is the graph Fourier transform. Transforming signals into the spectral domain is accomplished using the basis of eigenvectors of the graph Laplacian matrix. Such a matrix is dependent on the topology of the graph on which the signals are defined. Therefore it is of paramount importance to have a graph available. We consider the problem of inferring the graph topology from observations of signals. In this article we model the observations as being measured after a few steps of diffusing signals that are initially mutually independent and have independent entries. We propose a way to characterize and recover the possible graphs used for this diffusion. We show that the space of feasible matrices on which mutually independent signals can have evolved, based on the observations, is a convex polytope, and we propose two strategies to choose a point in this space as the topology estimate. These strategies enforce the selection of graphs that are, respectively, simple or sparse. Both methods can be formulated as linear programs and hence solved efficiently. Experiments suggest that in the ideal case when we are able to retrieve the exact covariance matrix of the signal, we are able to recover the graph on which the signals were diffused, with no error. We also apply our method to a synthetic case in which a limited number of signals are obtained by diffusion on a known graph, and show that we are able to recover a graph that is very close to the ground truth one, with an error decreasing as the number of observations increases. Finally, we illustrate our method on audio signals, and show that we are able to recover a graph that is globally one-dimensional.

연구 동기 및 목표

• 관측된 신호들이 확산 과정을 거친 후의 구조를 복원하는 문제에 대응하기 위해.
• 신호 관측치를 초기에 상호 독립적인 소스에서 비롯된 몇 차례의 확산 단계의 결과로 모델링하기 위해.
• 관측된 신호 공분산과 일치하는 타당한 그래프 라플라시안 행렬의 집합을 특성화하기 위해.
• 희소성 또는 단순성과 같은 구조적 사전 지식을 반영하는 토폴로지 추정치를 타당 집합에서 효율적으로 선택하는 추론 전략을 개발하기 위해.
• 시뮬레이션 데이터와 실제 음성 신호에서 방법을 검증하여 관측 수가 증가할수록 정확한 복원이 이루어짐을 보여주기 위해.

제안 방법

• 관측된 신호들을 서로 독립적인 초기 신호에서 유래한, 동일한 분포를 가진 i.i.d. 성분을 가진 몇 차례의 확산 단계의 결과로 모델링한다.
• 관측된 신호 공분산이 확산 과정과 일치하도록 하는 그래프 라플라시안 행렬을 식별하는 문제로 문제를 수립한다.
• 관측된 공분산과 일치하는 타당한 라플라시안 행렬의 집합이 볼록 다면체를 이룬다는 것을 보인다.
• 희소성과 단순성(예: 최소 간선 가중치)을 고려한 두 가지 선형 프로그래밍 설정을 제안한다: 하나는 타당한 그래프 중에서 가장 희소한 것을 선택하고, 다른 하나는 가장 단순한(예: 최소 간선 가중치) 그래프를 선택한다.
• 그래프 라플라시안의 고유분해를 사용하여 그래프 푸리에 변환을 정의하고, 이를 확산된 신호의 스펙트럼 도메인 표현과 연결한다.
• 타당한 해의 다면체적 구조를 활용하여 볼록 최적화 기법을 통해 추론 문제를 효율적으로 해결한다.

실험 결과

연구 질문

• RQ1 확산 과정 하에서 관측된 신호 공분산을 생성할 수 있는 그래프 토폴로지의 집합은 무엇인가?
• RQ2 희소성 또는 단순성 같은 구조적 사전 지식을 반영하는 단일 그래프 토폴로지를 타당 집합에서 효율적으로 식별할 수 있는가?
• RQ3 신호 공분산이 정확히 알려져 있을 경우, 진짜 그래프를 얼마나 정확하게 복원할 수 있는가?
• RQ4 유한 표본 설정에서 관측된 확산 신호의 수가 증가함에 따라 복원 정확도는 어떻게 향상되는가?
• RQ5 이 방법은 실제 신호, 예를 들어 음성 신호에서 의미 있고 해석 가능한 그래프 구조를 복원할 수 있는가?

주요 결과

• 신호 공분산 행렬을 정확히 알고 있는 이상적인 경우, 이 방법은 오차 없이 진짜 기반 그래프 토폴로지를 복원한다.
• 유한 개의 관측된 확산 신호가 존재할 경우, 관측 수가 증가할수록 복원 오차가 감소함을 보이며, 이는 일致성(consistency)을 나타낸다.
• 음성 신호에 적용했을 때, 이 방법은 전역적으로 일차원적인 그래프 구조를 성공적으로 복원한다. 이는 음성 신호의 시간적 성격과 일치한다.
• 희소성 및 단순성 그래프 선택을 위한 제안된 선형 프로그래밍 설정은 계산적으로 효율적이며 높은 품질의 토폴로지 추정치를 도출한다.
• 가능한 그래프의 타당 집합이 볼록 다면체임을 증명함으로써, 강인하고 체계적인 추론이 가능하다.
• 시뮬레이션 데이터에 대한 실증 결과는 추정된 그래프가 기저 진실값에 매우 가까운데, 표본 수가 많아질수록 성능이 향상됨을 보여준다.