[논문 리뷰] Multiresolution Representations for Piecewise-Smooth Signals on Graphs

Siheng Chen, Aarti Singh외 1명|arXiv (Cornell University)|2018. 03. 08.

Advanced Graph Neural Networks참고 문헌 28인용 수 10

한 줄 요약

이 논문은 조밀한 그래프 분할 전략을 통해 그래프 신호의 조각별로 스무스한 신호를 위한 희박 표현을 위한 새로운 그래프 다중해상도 분석과 그래프 사전을 제안한다. 이 방법은 다양한 데이터셋에서 신호 근사 및 국소화 성능이 뛰어나며, 교통망, 사회망, 포인트 클라우드 메쉬에서 기존의 여덟 가지 방법보다 뛰어난 성능을 보였다.

ABSTRACT

What is a mathematically rigorous way to describe the taxi-pickup distribution in Manhattan, or the profile information in online social networks? A deep understanding of representing those data not only provides insights to the data properties, but also benefits to many subsequent processing procedures, such as denoising, sampling, recovery and localization. In this paper, we model those complex and irregular data as piecewise-smooth graph signals and propose a graph dictionary to effectively represent those graph signals. We first propose the graph multiresolution analysis, which provides a principle to design good representations. We then propose a coarse-to-fine approach, which iteratively partitions a graph into two subgraphs until we reach individual nodes. This approach efficiently implements the graph multiresolution analysis and the induced graph dictionary promotes sparse representations piecewise-smooth graph signals. Finally, we validate the proposed graph dictionary on two tasks: approximation and localization. The empirical results show that the proposed graph dictionary outperforms eight other representation methods on six datasets, including traffic networks, social networks and point cloud meshes.

연구 동기 및 목표

• 도시 이동성 및 사회망 프로파일과 같은 복잡한 비정규 데이터에 대해 조각별로 스무스한 그래프 신호의 수학적으로 엄밀한 정의를 제공하기 위해.
• 조각별로 스무스한 그래프 신호에 대한 원칙적인 희박 표현의 부재를 해결하기 위해 구조화된 그래프 사전을 도입하기 위해.
• 다중해상도 분석을 효율적이고 효과적으로 구현하기 위해 그래프를 거칠게부터 세밀하게 나누는 전략을 개발하기 위해.
• 실제 데이터셋에서 제안된 방법을 검증하여, 신호 근사 및 국소화 과제에서의 우수성을 입증하기 위해.

제안 방법

• 동질적인 영역 간의 경계에서 큰 변화가 있고, 영역 내부에서는 작은 변화가 있는 신호로 조각별로 스무스한 그래프 신호를 정의한다.
• 고전적 다중해상도 분석을 영감으로 삼아 그래프 구조에 적응시킨 그래프 다중해상도 분석 프레임워크를 제안한다.
• 다중해상도 분석을 거칠게부터 세밀하게 분해하는 방식으로 구현: 그래프를 더 이상 분할할 수 없을 때까지 연결된 부분그래프 두 개로 반복적으로 분할한다.
• 분할 과정에서 유도된 그래프 웨이브릿 기저를 구성하여 잘 정리되고 저장 효율이 높은 그래프 사전을 형성한다.
• 유도된 그래프 사전을 사용하여 불연속성과 국소적 스무스함을 포착함으로써 조각별로 스무스한 신호의 희박 표현을 촉진한다.
• 맨해튼 교통망, 페이스북 사회망, 포인트 클라우드 메쉬를 포함한 여섯 개인 실세계 그래프에서 근사 및 국소화 과제를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 복잡하고 비정규적인 데이터 구조의 맥락에서 조각별로 스무스한 그래프 신호를 공식적이고 엄밀하게 정의할 수 있는가?
• RQ2 다중해상도 분석을 그래프에 효과적이고 효율적으로 구현할 수 있는 방법은 무엇인가?
• RQ3 거칠게부터 세밀하게 나누는 그래프 분할 전략이 조각별로 스무스한 신호에 대해 희박성을 촉진하는 그래프 사전을 제공할 수 있는가?
• RQ4 제안된 그래프 사전은 기존의 표현 방법과 비교해 근사 정확도와 국소화 성능 측면에서 어떻게 다른가?
• RQ5 교통망이나 소셜 미디어와 같은 실세계 시나리오에서 제안된 방법이 측정 가능한 우수성을 보여주는가?

주요 결과

• 제안된 조각별로 스무스한 그래프 사전는 모든 테스트 데이터셋에서 가장 높은 신호 대 잡음비(SNR)와 가장 낮은 정규화된 평균 제곱오차를 달성했다.
• 맨해튼 택시 승차 및 레스토랑 분포 데이터셋에서, 스펙트럴 그래프 웨이브릿과 서브그래프 기반 필터 벙크 등 모든 다른 방법보다 조각별로 스무스한 그래프 사전가 뛰어난 성능을 보였다.
• 미네소타 도로망에서의 국소화 과제에서, 조각별로 스무스한 그래프 사전는 특히 낮은 잡음 수준에서 최고의 SNR 및 상관계수 점수를 기록했다.
• 교통망, 인용 네트워크, 사회망, 포인트 클라우드 메쉬를 포함한 여섯 개의 실세계 그래프에서 제안된 방법은 여덟 가지 경쟁 표현 기법보다 뛰어난 성능을 보였다.
• 거칠게부터 세밀하게 나누는 분할 전략은 그래프 다중해상도 분석의 조건을 만족하는 효율적인 그래프 웨이브릿 기저를 구성하는 데 성공했다.
• 그래프 사전는 조각별로 스무스한 신호의 정확한 재구성을 가능하게 하였으며, 시각화 결과는 과도하게 스무스하거나 과소 스무스한 대안들보다 활성 영역의 국소화가 훨씬 뛰어나다는 것을 보여주었다.