[논문 리뷰] Hilbert Transform, Analytic Signal, and Modulation Analysis for Graph Signal Processing

Arun Venkitaraman, Saikat Chatterjee외 1명|arXiv (Cornell University)|2016. 11. 16.

Advanced Graph Neural Networks참고 문헌 62인용 수 5

한 줄 요약

이 논문은 그래프 기반 힐버트 변환과 분석 신호 프레임워크를 제안하며, 그래프 푸리에 변환(GFT)의 공액 대칭 유사 성질을 활용하여 일측 스펙트럼을 달성한다. 이 방법은 그래프 신호에서 진폭, 위상, 주파수 변조 분석을 가능하게 하며, 주요 결과로 DFT와 GFT 특징을 조합했을 때 2% 향상된 화자 분류 성능과 이미지 및 음성 신호에서의 이상치 강조 효과를 보여준다.

ABSTRACT

We propose Hilbert transform (HT) and analytic signal (AS) construction for signals over graphs. This is motivated by the popularity of HT, AS, and modulation analysis in conventional signal processing, and the observation that complementary insight is often obtained by viewing conventional signals in the graph setting. Our definitions of HT and AS use a conjugate-symmetry-like property exhibited by the graph Fourier transform (GFT). We show that a real graph signal (GS) can be represented using smaller number of GFT coefficients than the signal length. We show that the graph HT (GHT) and graph AS (GAS) operations are linear and shift-invariant over graphs. Using the GAS, we define the amplitude, phase, and frequency modulations for a graph signal (GS). Further, we use convex optimization to develop an alternative definition of envelope for a GS. We illustrate the proposed concepts by showing applications to synthesized and real-world signals. For example, we show that the GHT is suitable for anomaly detection/analysis over networks and that GAS reveals complementary information in speech signals.

연구 동기 및 목표

• 기존의 1D/2D 신호 처리에서 성공한 힐버트 변환과 분석 신호 개념을 그래프 상의 신호로 확장한다.
• 그래프 푸리에 변환(GFT)의 공액 대칭 유사 성질을 활용하여 그래프 분석 신호의 일측 스펙트럼을 정의한다.
• 그래프 신호에서 진폭, 위상, 주파수 변조 분석을 가능하게 하여 그래프 신호 처리의 새로운 도구를 제공한다.
• 그래프 기반 힐버트 변환이 그래프 구조화된 데이터의 이상치와 비연속성 탐지에 유용함을 보여준다.
• 그래프 기반 변조 특징이 실생활 응용, 예를 들어 화자 인식에서 분류 성능 향상에 기여함을 보여준다.

제안 방법

• GFT 기저의 공액 대칭 유사 성질을 이용하여 실수 그래프 신호의 일측 스펙트럼을 보장하는 그래프 힐버트 변환을 정의한다.
• 원본 신호와 그래프 힐버트 변환을 통해 얻은 허수부의 합으로 그래프 분석 신호를 구성한다.
• 1D 경우와 유사한 수학적 성질, 예를 들어 등장성, 위상 이동, 수직성 등을 확립한다.
• 이미지 및 음성 데이터에서 그래프 힐버트 변환이 에지와 비연속성을 강조함을 보여준다.
• 접속성과 악조건을 방지하기 위한 제약 조건을 포함한 최소 제곱 최적화를 통해 음성 데이터로부터 그래프 인접 행렬을 학습한다.
• 진폭 및 주파수 변조의 DFT와 GFT 특징 벡터를 사용하여 음성 프레임을 분류하기 위한 신경망 분류기 학습

실험 결과

연구 질문

• RQ1 1D 신호 처리에서 성공한 핵심 성질을 유지하면서 힐버트 변환과 분석 신호를 그래프 상의 신호로 의미 있게 일반화할 수 있는가?
• RQ2 1D 신호에서 관찰된 이상치 강조 성질이 그래프 구조화된 데이터의 비연속성에 대해서도 그래프 힐버트 변환에 그대로 적용되는가?
• RQ3 그래프 기반 진폭 및 주파수 변조는 전통적인 1D 변조와 비교해 얼마나 보완적인 정보를 제공하는가?
• RQ4 제안된 그래프 기반 변조 분석이 실생활 분류 과제, 예를 들어 화자 인식에서 성능 향상에 기여하는가?
• RQ5 그래프 힐버트 변환은 기존 1D 경우와 마찬가지로 베드로산 성질을 만족하는가?

주요 결과

• 그래프 힐버트 변환은 시각적 비교를 통해 2D 이미지 신호에서 에지와 신호 비연속성을 효과적으로 강조함을 입증했다.
• 그래프 분석 신호는 1D 경우와 동일하게 등장성, 위상 이동, 수직성 등의 핵심 성질을 물려받아 수학적 일관성을 확인했다.
• 그래프 힐버트 변환은 일반적으로 베드로산 성질을 만족하지 않으며, 이는 1D 대응체와의 주요 차이점이다.
• 그래프 변조에서 유도된 DFT와 GFT 특징을 조합한 분류기 3은 72.6%의 분류 정확도를 기록하여 DFT 전용 분류기(70.8%)보다 최대 2% 높은 성능을 보였다.
• 신경망 성능은 다섯 개의 은닉 뉴런 이후 포화 상태에 도달하여, 그래프 기반 특징이 최소한의 모델 복잡도로도 충분한 분류 능력을 제공함을 시사한다.
• 음성 신호를 그래프 신호로 간주함으로써 시간적 이웃을 넘는 더 넓은 신호 상관관계를 포착할 수 있었으며, 이는 1D 특징과 조합했을 때 화자 분류 성능 향상에 기여했다.