[논문 리뷰] Filter Design for Autoregressive Moving Average Graph Filters

Jiani Liu, Elvin Isufi외 1명|arXiv (Cornell University)|2017. 11. 22.

Advanced Graph Neural Networks참고 문헌 28인용 수 3

한 줄 요약

이 논문은 유向 및 무향 그래프에서 자동회귀이동평균(ARMA) 그래프 필터를 위한 두 가지 새로운 중심집중형 설계 방법을 제안한다. 프로니의 방법과 반복적 오차 최소화 방법을 사용하여 유한임펄스응답(FIR) 필터보다 더 높은 근사 정확도를 달성한다. ARMA 필터는 유 rationa 주파수 응답과 낮은 구현 비용 덕분에 그래프 신호 보간, 압축, 예측에서 FIR 필터보다 뛰어난 성능을 보인다.

ABSTRACT

In the field of signal processing on graphs, graph filters play a crucial role in processing the spectrum of graph signals. This paper proposes two different strategies for designing autoregressive moving average (ARMA) graph filters on both directed and undirected graphs. The first approach is inspired by Prony's method, which considers a modified error between the modeled and the desired frequency response. The second technique is based on an iterative approach, which finds the filter coefficients by iteratively minimizing the true error (instead of the modified error) between the modeled and the desired frequency response. The performance of the proposed algorithms is evaluated and compared with finite impulse response (FIR) graph filters, on both synthetic and real data. The obtained results show that ARMA filters outperform FIR filters in terms of approximation accuracy and they are suitable for graph signal interpolation, compression and prediction.

연구 동기 및 목표

• 유한임펄스응답(FIR) 그래프 필터의 한계를 해결하기 위해, 고차수를 요구하고 특히 급격한 전이에서 정확도가 제한되는 문제를 해결한다.
• 유향 그래프로 보편적 최소제곱(LLS) 설계 전략을 확장하기 위해 복소 평면의 단위 원을 격자로 나누어 주파수 샘플링을 수행한다.
• 더 높은 근사 정확도를 달성하기 위해 유 rationa 주파수 응답을 완전히 활용하는 중심집중형 ARMA 그래프 필터 설계 방법을 제안한다.
• 합성 및 실세계 데이터에서 ARMA 필터를 FIR 필터와 비교하여 그래프 신호 보간, 압축, 예측 작업에서 평가한다.
• 실수 및 복소수 그래프 주파수를 사용하여 유향 및 무향 그래프 모두에 적용 가능한 통합된 ARMA 필터 설계 프레임워크를 제공한다.

제안 방법

• 첫 번째 방법은 프로니의 방법에 영감을 얻었으며, 바르드모인드 기반의 공식화를 사용하여 모델링된 주파수 응답과 목표 주파수 응답 사이의 수정된 오차를 최소화한다.
• 두 번째 방법은 모델링된 주파수 응답과 목표 주파수 응답 사이의 진짜 오차(보조 오차가 아님)를 최소화하는 반복 최적화 접근법을 사용한다.
• 반복 알고리즘은 수렴성과 정확도를 향상시키기 위해 프로니 기반 방법의 해를 초기값으로 사용한다.
• 설계 프레임워크는 알려진 그래프와 보편적 설계를 모두 지원하며, 실수 구간(무향) 또는 복소 단위 원(유향)에 균일하게 격자로 나누어 그래프 주파수를 위한 샘플링을 수행한다.
• 중앙집중형 구현은 일阶 방법 또는 공액 기울기 방법을 통해 선형 시스템을 풀어 ARMA 필터 출력을 효율적으로 계산한다.
• 바르드모인드 행렬과 목표 응답의 대칭성을 활용하여 복소 공액 주파수 쌍과 실수 주파수를 처리함으로써 실수 값 필터 계수를 보장한다.

실험 결과

연구 질문

• RQ1 ARMA 그래프 필터는 급격한 스펙트럼 전이를 보이는 그래프 신호에서 FIR 필터보다 더 높은 근사 정확도를 달성할 수 있는가?
• RQ2 FIR 필터의 보편적 설계 접근법을 복소수 그래프 주파수를 사용하여 유향 그래프로 확장할 수 있는가?
• RQ3 중앙집중형 ARMA 필터 설계가 분산 구현 대비 근사 정확도 측면에서 어떤 성능 향상을 보이는가?
• RQ4 ARMA 그래프 필터 설계에서 진짜 오차의 반복 최소화가 수정된 오차 지표에 기반한 방법보다 우수한 성능을 보일 수 있는가?
• RQ5 ARMA 필터는 보간, 압축, 예측과 같은 실질적인 그래프 신호 처리 작업에서 FIR 필터와 비교해 어떻게 성능이 뛰어나게 되는가?

주요 결과

• ARMA 그래프 필터는 특히 스텝 함수와 같은 급격한 전이를 보이는 응답에서 FIR 필터보다 유의미하게 높은 근사 정확도를 달성한다.
• 진짜 오차를 최소화하는 반복 ARMA 필터 설계 방법은 수정된 오차 기반 방법보다 우수한 수렴성과 정확도를 보인다.
• 동일한 근사 정확도를 달성하기 위해 ARMA 필터는 FIR 필터보다 낮은 필터 순서를 요구하여 구현 비용을 줄인다.
• 합성 데이터 및 실세계 데이터 양쪽 모두에서 ARMA 필터는 그래프 신호 보간, 압축, 선형 예측 작업에서 뛰어난 성능을 보였다.
• 제안된 설계 방법은 유향 및 무향 그래프 모두에 효과적으로 적용되며, 보편적 설계 접근법이 복소수 그래프 주파수의 단위 원에 성공적으로 확장되었다.
• 중앙집중형 구현은 선형 시스템의 효율적 해법을 통해 정확한 필터 출력을 보장하며, 분산 구현에서 발생하는 수렴 문제를 피한다.