[논문 리뷰] Robust Adaptive Generalized Correntropy-based Smoothed Graph Signal Recovery with a Kernel Width Learning

Razieh Torkamani, Hadi Zayyani외 1명|arXiv (Cornell University)|2022. 09. 19.

Blind Source Separation Techniques인용 수 5

한 줄 요약

이 논문은 일반화된 가우시안 밀도 커널을 사용하는 일반화된 코르렌트로피와 커널 폭 학습을 결합한 강건한 적응형 그래프 신호 복원 알고리즘을 제안한다. 이는 임펄시브 노이즈 환경에서의 성능 저하 문제를 해결하기 위해 설계되었으며, 일반화된 코르렌트로피 기반 비용 함수와 그래프 스무쓰니스를 조합함으로써, α-스테이블 및 GGD 임펄시브 노이즈 하에서 LMS 및 LMP 방법보다 뛰어난 성능을 보였다. 이는 시뮬레이션된 데이터와 실제 온도 데이터 모두에서 입증되었다.

ABSTRACT

This paper proposes a robust adaptive algorithm for smooth graph signal recovery which is based on generalized correntropy. A proper cost function is defined for this purpose. The proposed algorithm is derived and a kernel width learning-based version of the algorithm is suggested which the simulation results show the superiority of it to the fixed correntropy kernel version of the algorithm. Moreover, some theoretical analysis of the proposed algorithm are provided. In this regard, firstly, the convexity analysis of the cost function is discussed. Secondly, the uniform stability of the algorithm is investigated. Thirdly, the mean convergence analysis is also added. Finally, the complexity analysis of the algorithm is incorporated. In addition, some synthetic and real-world experiments show the advantage of the proposed algorithm in comparison to some other adaptive algorithms in the literature of adaptive graph signal recovery.

연구 동기 및 목표

• 기존의 적응형 그래프 신호 복원(GSR) 알고리즘이 가우시안 노이즈를 전제로 하여 임펄시브 노이즈 환경에서 성능 저하가 발생하는 한계를 해결한다.
• 실제 응용 사례인 센서 네트워크 등에서 흔한 비정규분포, 무거운 尾비율을 가지는 임펄시브 노이즈 환경에 적합한 강건한 GSR 알고리즘을 개발한다.
• 일반화된 코르렌트로피 기반 비용 함수의 적응성과 성능을 향상시키기 위해 베이지안 추론을 활용한 커널 폭 학습 메커니즘을 도입한다.
• 비용 함수의 볼록성, 균일 안정성, 평균 수렴성, 계산 복잡도 분석을 포함한 이론적 보장을 제공한다.
• 다양한 노이즈 모델과 샘플링 속도 하에서의 광범위한 시뮬레이션을 통해 알고리즘의 우수성을 입증한다.

제안 방법

• 그래프 스무쓰니스와 일반화된 코르렌트로피를 조합한 비용 함수를 제안하며, 이때 후자는 일반화된 가우시안 밀도(GGD)를 커널 함수로 사용한다.
• 온라인 및 스트리밍 환경에서 비용 함수를 최소화하기 위해 일반화된 코르렌트로피 기준에 기반한 적응형 알고리즘을 유도한다.
• 베이지안 추론을 활용해 커널 파라미터 β를 동적으로 조정하는 커널 폭 학습 메커니즘을 구현하여 노이즈 분포 변화에 대한 강건성을 향상시킨다.
• 커널 폭 학습을 적응형 업데이트 규칙에 통합하여 수렴성과 노이즈에 대한 저항성을 강화한다.
• 이론적 분석에는 비용 함수의 볼록성, 균일 안정성, 평균 수렴성, 계산 복잡도 평가가 포함된다.
• 알고리즘을 시뮬레이션된 그래프 신호와 인텔 버클리 연구소 데이터셋에서 확보한 실제 온도 데이터에 적용한다.

실험 결과

연구 질문

• RQ1 제안된 일반화된 코르렌트로피 기반 GSR 알고리즘은 기존의 LMS 및 LMP 방법과 비교해 임펄시브 노이즈 조건에서 어떻게 성능을 발휘하는가?
• RQ2 커널 폭 파라미터 β를 학습하는 것이 적응형 GSR 알고리즘의 강건성과 수렴성에 얼마나 기여하는가?
• RQ3 비정규분포 노이즈 하에서 제안된 알고리즘의 이론적 안정성 및 수렴 행동은 어떠한가?
• RQ4 실제 환경에서 신호 동역학과 노이즈 수준의 변화에 어떻게 적응하는가?
• RQ5 일반화된 코르렌트로피와 GGD 커널은 α-스테이블 및 GGD와 같은 두꺼운 尾비율을 가지는 임펄시브 노이즈 분포를 효과적으로 모델링할 수 있는가?

주요 결과

• 모든 테스트된 노이즈 모델과 샘플링 속도에서 제안된 GC-GSR 알고리즘이 LMS 및 LMP보다 낮은 최종 정규화된 평균 제곱편차(NMSD)를 달성하였다.
• M=50, 70, 81개의 샘플링된 노드를 가진 실험에서 제안된 알고리즘이 LMS 및 LMP를 일관되게 능가하였으며, 특히 α-스테이블 및 GGD 임펄시브 노이즈 하에서 두드러진 성능을 보였다.
• η=0.2 및 ν=1.3인 GGD 노이즈 조건에서 제안된 알고리즘이 가장 낮은 NMSD를 기록하여 두꺼운 尾비율 노이즈에 대한 강건성을 입증하였다.
• 다양한 신호 대 노이즈 비(SNR) 조건 하에서 제안된 알고리즘이 뛰어난 성능과 더 빠른 수렴 속도를 보였으며, 특히 저-SNR 조건에서 두각을 나타내었다.
• M=30, 40, 54개 센서를 사용한 실제 온도 신호 복원 실험에서 제안된 알고리즘이 모든 구성 및 노이즈 유형에서 최고의 NMSD 성능을 유지하였다.
• 커널 폭 학습 메커니즘이 성능 향상에 기여했음을 비교 결과를 통해 입증하였으며, 고정 커널을 사용한 코르렌트로피 방법 대비 적응형 커널 버전이 뛰어난 성능을 보였다.