[논문 리뷰] Multi-dimensional Graph Fourier Transform

Takashi Kurokawa, Taihei Oki외 1명|arXiv (Cornell University)|2017. 12. 21.

Advanced Graph Neural Networks참고 문헌 18인용 수 12

한 줄 요약

이 논문은 기존의 그래프 푸리에 변환에서 1차원 그래프 스펙트럼을 카르테시안 곱 그래프의 각 요소 그래프를 따라 방향성 주파수 정보를 유지하는 다차원 주파수 도메인으로 재구성하는 다차원 그래프 푸리에 변환(MGFT)을 제안한다. 이 방법은 스펙트럼의 다중값성 문제를 해결하고, 이미지, 시계열 센서 데이터, 협업 필터링 데이터와 같은 다차원 그래프 신호의 신호 처리 성능을 향상시킨다.

ABSTRACT

Many signals on Cartesian product graphs appear in the real world, such as digital images, sensor observation time series, and movie ratings on Netflix. These signals are "multi-dimensional" and have directional characteristics along each factor graph. However, the existing graph Fourier transform does not distinguish these directions, and assigns 1-D spectra to signals on product graphs. Further, these spectra are often multi-valued at some frequencies. Our main result is a multi-dimensional graph Fourier transform that solves such problems associated with the conventional GFT. Using algebraic properties of Cartesian products, the proposed transform rearranges 1-D spectra obtained by the conventional GFT into the multi-dimensional frequency domain, of which each dimension represents a directional frequency along each factor graph. Thus, the multi-dimensional graph Fourier transform enables directional frequency analysis, in addition to frequency analysis with the conventional GFT. Moreover, this rearrangement resolves the multi-valuedness of spectra in some cases. The multi-dimensional graph Fourier transform is a foundation of novel filterings and stationarities that utilize dimensional information of graph signals, which are also discussed in this study. The proposed methods are applicable to a wide variety of data that can be regarded as signals on Cartesian product graphs. This study also notes that multivariate graph signals can be regarded as 2-D univariate graph signals. This correspondence provides natural definitions of the multivariate graph Fourier transform and the multivariate stationarity based on their 2-D univariate versions.

연구 동기 및 목표

• 카르테시안 곱 그래프에서 신호의 방향성 주파수 특성을 다루는 데 있어 기존 그래프 푸리에 변환(GFT)의 한계를 해결한다.
• Laplacian 행렬의 고유값이 중복될 경우(일반적으로 제품 그래프에서 발생함) GFT에서 발생하는 스펙트럼의 다중값성 문제를 해결한다.
• 각 요소 그래프의 방향성 주파수 성분을 다차원 스펙트럼 도메인에 통합함으로써 더 깊이 있는 주파수 분석을 가능하게 한다.
• 그래프 신호의 차원적 구조를 활용하는 새로운 필터링 및 정상성 정의의 기반을 마련한다.
• 다변량 그래프 신호를 2차원 단변량 그래프 신호로 간주함으로써 통합된 프레임워크를 제공하고, 다변량 GFT와 정상성의 자연스러운 정의를 가능하게 한다.

제안 방법

• 카르테시안 곱 그래프의 대수적 성질을 활용하여 라플라시안 행렬과 고유구조를 각 요소 그래프에 해당하는 구성요소로 분해한다.
• 1차원 GFT 스펙트럼을 각 차원이 요소 그래프의 방향성 주파수에 대응하는 n차원 주파수 도메인으로 재구성한다.
• 제품 그래프의 라플라시안 행렬의 고유분해를 통해 각 차원에 고유한 주파수 인덱스를 할당하여 스펙트럼이 잘 정의되도록 한다.
• 각 요소 그래프의 라플라시안 고유값에 따라 1차원 스펙트럼 계수를 다차원 배열로 재정렬한다.
• 다변량 그래프 신호를 제품 그래프 위의 2차원 단변량 신호로 간주하여, 단변량 대비 다변량 GFT와 정상성의 유도를 가능하게 한다.
• 라플라시안과 공통으로 대각화 가능한 공분산 행렬을 활용하여 G1-정상성의 조건을 설정하고 스펙트럼 표현을 유도한다.

실험 결과

연구 질문

• RQ1 기존의 그래프 푸리에 변환은 어떻게 다차원 그래프 신호에서 방향성 주파수 정보를 유지할 수 있는가?
• RQ2 카르테시안 곱 그래프에서 기존 GFT의 스펙트럼 다중값성은 어떤 방식으로 발생하며, 어떻게 해결할 수 있는가?
• RQ3 카르테시안 곱 그래프의 대수적 구조는 다차원 스펙트럼 분석을 어떻게 가능하게 하는가?
• RQ4 다차원 스펙트럼 프레임워크를 활용하여 그래프 신호 처리에서 정상성 개념을 어떻게 일반화할 수 있는가?
• RQ5 다변량 그래프 신호는 2차원 단변량 신호로 자연스럽게 모델링할 수 있으며, 이로부터 다변량 GFT와 정상성의 일관된 정의를 도출할 수 있는가?

주요 결과

• 제안된 다차원 그래프 푸리에 변환은 각 차원에 고유한 주파수 인덱스를 할당함으로써 스펙트럼의 다중값성을 성공적으로 해결하여 잘 정의된 스펙트럼을 보장한다.
• MGFT는 각 요소 그래프를 따라 주파수 성분을 명시적으로 표현함으로써 기존 GFT가 모든 방향을 단일 1차원 스펙트럼으로 압축하는 것과 달리, 방향성 주파수 분석을 가능하게 한다.
• 라플라시안 행렬의 중복 고유값이 존재하더라도, MGFT는 카르테시안 곱 그래프 위의 신호에 대해 잘 정의된 스펙트럼 표현을 달성한다.
• MGFT 프레임워크는 차원적 구조를 활용하는 새로운 필터링 기법을 지원하여, 다차원 그래프 신호의 신호 처리 성능을 향상시킨다.
• 이 연구는 다변량 그래프 신호와 2차원 단변량 그래프 신호 사이에 공식적인 연결 고리를 설정하여, 다변량 그래프 푸리에 변환과 정상성의 자연스러운 정의를 가능하게 한다.
• 이론적 결과는 신호의 G1-정상성이 첫 번째 요소 그래프의 라플라시안과 동시에 대각화 가능한 공분산 행렬의 조건과 동치임을 확인한다.