[논문 리뷰] Graph Signal Processing -- Part II: Processing and Analyzing Signals on Graphs

Ljubiša Stanković, Danilo P. Mandic외 4명|arXiv (Cornell University)|2019. 09. 23.

Advanced Graph Neural Networks참고 문헌 71인용 수 11

한 줄 요약

이 논문은 인접 행렬과 라플라시안 행렬을 기반으로 한 그래프 이산 푸리에 변환(GDFT)을 중심으로, 그래프에서 신호를 처리하고 분석하기 위한 통합적 프레임워크를 제안한다. 그래프 신호 처리(GSP) 원리를 기반으로 하며, 스펙트럼 도메인 필터링, 하향 샘플링, 압축 측정, 시간에 따라 변하는 신호 모델, 무작위 그래프 신호, 정점-주파수 분석(지역화된 그래프 푸리에 변환과 감소 간섭 분포 포함)을 수립하여, 불규칙한 그래프 도메인에서 국소적이고 다중 해상도의 신호 분석을 가능하게 하며, 경계 조건과 불확실성 특성을 유지한다.

ABSTRACT

The focus of Part I of this monograph has been on both the fundamental properties, graph topologies, and spectral representations of graphs. Part II embarks on these concepts to address the algorithmic and practical issues centered round data/signal processing on graphs, that is, the focus is on the analysis and estimation of both deterministic and random data on graphs. The fundamental ideas related to graph signals are introduced through a simple and intuitive, yet illustrative and general enough case study of multisensor temperature field estimation. The concept of systems on graph is defined using graph signal shift operators, which generalize the corresponding principles from traditional learning systems. At the core of the spectral domain representation of graph signals and systems is the Graph Discrete Fourier Transform (GDFT). The spectral domain representations are then used as the basis to introduce graph signal filtering concepts and address their design, including Chebyshev polynomial approximation series. Ideas related to the sampling of graph signals are presented and further linked with compressive sensing. Localized graph signal analysis in the joint vertex-spectral domain is referred to as the vertex-frequency analysis, since it can be considered as an extension of classical time-frequency analysis to the graph domain of a signal. Important topics related to the local graph Fourier transform (LGFT) are covered, together with its various forms including the graph spectral and vertex domain windows and the inversion conditions and relations. A link between the LGFT with spectral varying window and the spectral graph wavelet transform (SGWT) is also established. Realizations of the LGFT and SGWT using polynomial (Chebyshev) approximations of the spectral functions are further considered. Finally, energy versions of the vertex-frequency representations are introduced.

연구 동기 및 목표

• 불규칙한 그래프 도메인에서의 결정론적 및 무작위 신호를 위한 통합된 신호 처리 프레임워크를 개발하기 위해.
• 차원 감소 조건 하에서 그래프 신호 필터링, 샘플링, 재구성의 과제를 해결하기 위해.
• 정점-주파수 표현과 지역화된 변환을 통해 고전적 시간-주파수 개념을 그래프로 확장하기 위해.
• 정점-주파수 에너지 분포에서 경계 조건과 불확실성 특성을 보장하여 정확한 신호 국소화를 가능하게 하기 위해.

제안 방법

• 스펙트럼 도메인 분석을 위해 인접 행렬과 그래프 라플라시안의 고유분해를 기반으로 그래프 이산 푸리에 변환(GDFT)을 정의한다.
• 전달 함수를 사용한 스펙트럼 도메인에서의 그래프 신호 필터링을 구현하며, 효율적인 계산을 위해 체비셰프 다항식 근사를 사용한다.
• 서포트 행렬과 유일한 재구성 조건을 활용하여 하향 샘플링과 압축 측정을 분석하며, 선형 측정과 필터 베이스와 연결한다.
• 시간에 따라 변하는 신호는 확산 과정과 타우빈의 α–β 알고리즘을 사용하여 동적 그래프 신호 추적을 모델링한다.
• 지역화된 그래프 푸리에 변환(LGFT)과 주파수 도메인 및 정점 도메인 창을 사용하여 정점-주파수 표현을 구성하며, 정점-스펙트럼 동시 국소화를 가능하게 한다.
• 핵심 기반 역행과 에너지 형태를 사용하여 감소 간섭 정점-주파수 분포를 유도하며, 경계 조건과 매끄러움 특성을 만족한다.

실험 결과

연구 질문

• RQ1 그래프 신호 처리는 불규칙한 그래프 도메인에서 필터링과 푸리에 변환과 같은 고전적 신호 처리 개념을 어떻게 일반화할 수 있는가?
• RQ2 하향 샘플링 측정에서 그래프 신호의 유일한 재구성 조건는 무엇이며, 어떻게 압축 측정을 적용할 수 있는가?
• RQ3 정점-스펙트럼 도메인에서의 국소화 분석은 어떻게 형식화되어 그래프에서의 다중 해상도 신호 해석을 가능하게 하는가?
• RQ4 그래프 신호의 정점-주파수 표현에서의 불확실성 원리와 경계 조건 특성은 무엇인가?
• RQ5 감소 간섭 분포가 교차 항 간섭을 최소화하면서 에너지와 매끄러움 정보를 어떻게 유지하는가?

주요 결과

• 인접 행렬과 라플라시안 행렬을 기반으로 한 GDFT는 그래프 신호의 스펙트럼 도메인 표현과 필터링을 가능하게 하며, 계산 효율성을 위해 체비셰프 다항식 근사를 사용한 전달 함수를 제공한다.
• 저역통과 및 희박한 그래프 신호의 하향 샘플링은 특정 서포트 및 샘플링 조건 하에서 유일한 재구성 가능하며, 압축 측정 원리와 연결된다.
• 지역화된 그래프 푸리에 변환(LGFT)은 주파수 도메인 및 정점 도메인 창을 사용하여 정점-스펙트럼 국소화를 지원하며, 합산, 밴드패스 함수 또는 핵심 기반 방법을 통해 역행이 가능하다.
• 감소 간섭 정점-주파수 분포는 정점 및 주파수 경계 조건을 모두 유지하는 핵심을 사용하여 구성되며, sinc 핵심은 매끄럽고 편향이 없는 표현을 달성한다.
• 정점-주파수 에너지 분포는 경계 조건을 만족하며 局소 매끄러움 추정이 가능하며, 핵심 기반 형태는 고전적 코HEN 클래스 분포를 일반화한다.
• 이 프레임워크는 고전적 시간-주파수 분석을 일반화하며, 원형 그래프의 경우 표준 시간-주파수 분포로 감소하여 기존 이론과의 일致성을 검증한다.