[論文レビュー] A Unified Fractional Spectral Framework for Spatiotemporal Graph Signals: Bi-Fractional Transform and Geodesic Coupling

Mingzhi Wang, Manjun Cui+3 more|arXiv (Cornell University)|Mar 2, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

本論文は、因子グラフの独立分数次を持つ双分数2Dグラフフーリエ変換である2D-GBFRFTと、幾何的結合性を持つ時間基底GC-GFRFT、さらにエンドツーエンドで学習される微分可能な Wiener 型フィルタリングフレームワークを提案する。

ABSTRACT

Graph signal processing extends spectral analysis to data supported on irregular domains. Existing fractional transforms for two-dimensional graph signals, including the two-dimensional graph fractional Fourier transform (GFRFT), typically impose a shared fractional order across dimensions, which limits adaptivity to heterogeneous spatiotemporal spectra. To address this limitation, we propose the two-dimensional graph bi-fractional Fourier transform, which assigns independent fractional orders to the factor graphs of a Cartesian product, enabling decoupled spectral control while preserving separability, unitarity, and invertibility. To further resolve the basis ambiguity in temporal fractional analysis, we develop a geodesic-coupled GFRFT by constructing a coupling path along the principal geodesic on the unitary manifold, thereby unifying graph-induced and discrete temporal bases with guaranteed unitarity and a closed-form inverse. Building on these transforms, we derive a differentiable Wiener-type filtering framework with a hybrid optimization strategy: the fractional orders are learned end-to-end from data, while the coupling parameter is fixed as a structural regularizer. Experiments on real-world time-varying graph datasets and dynamic image restoration tasks demonstrate consistent gains over state-of-the-art fractional transforms and competitive learning-based baselines.

研究の動機と目的

• 異種の時空グラフに対して、2D GFRFTの単一の共通分数次の制限を動機付け、解決する。
• Cartesian積の因子グラフに独立した分数次を割り当てる Bi-Fractional 変換を開発する。
• 単位曲率多様体上の主幾何学的経路に沿ってグラフ誘起と離散時間基底をユニタリ結合し、閉形式の逆を持つ橋渡しを行う。
• 分数次とスペクトルフィルタをエンドツーエンドで学習する微分可能な Wiener 型フィルタリングフレームワークを作成する。
• 実世界の時変グラフデータと動的画像復元で利得を示す。

提案手法

• 独立した分数次 alpha1 および alpha2 を因子グラフ G1 および G2 上に持つ 2D-GBFRFT を定義する。
• GC-GFRFTを、単位多様体上の主経路に沿ってグラフ誘起基底と離散時間基底を結合して導く。
• 提案する変換のユニタリ性と可逆性を証明する。
• 分数次を勾配降下で学習し、結合パラメータ lambda は固定とする微分可能な Wiener 型フィルタリングフレームワークを定式化する。
• 大規模なKronecker行列を作成せず分離可能な GC-GFRFT を活用した効率的実装を提供する。
• 再構成損失を最小化するために、スペクトル変換、対角スペクトルフィルタリング、逆変換を交互に行う最適化アルゴリズムを概説する。

Figure 1: Overview of the proposed GC-GFRFT framework and its applications.

実験結果

リサーチクエスチョン

• RQ1 各因子グラフ上の独立した分数次は、異種の時空データのスペクトル表現を改善できるか。
• RQ2 ユニタリ性を保ちつつ、グラフ誘起基底と離散時間分数基底を整合的に結合し、閉形式の逆を提供するにはどうすればよいか。
• RQ3 微分可能な Wiener 型フィルタが時変グラフ信号のノイズ除去の最適な分数次とスペクトルフィルタを学習できるか。
• RQ4 提案する GC-GFRFT フレームワークの実データセットにおける計算的影響と実用的な性能向上はどの程度か。
• RQ5 本フレームワークは既存の 2D-GFRFT と JFRFT のエンドポイントケースを統合・拡張するか。

主な発見

• 2D-GBFRFT は二つの因子グラフに沿った独立したスペクトル制御を可能にし、異種の 2D グラフ信号に対するモデリング忠実度を向上させる。
• GC-GFRFT はグラフ誘起基底と離散時間基底との間にユニタリな幾何的結合を提供し、閉形式の逆を持つ。これにより 2D-GBFRFT と JFRFT をエンドポイントケースとして統一する。
• 微分可能な Wiener 型フィルタリングフレームワークは分数次 alpha と beta および対角スペクトルフィルタを学習し、lambda を固定正則化項として扱う。
• 実世界の時変グラフデータと動的画像復元の実験で、最先端の分数変換や競合的学習ベースラインに対して一貫した利得を示す。
• 本フレームワークはユニタリ性、可逆性、分離可能変換と lambda 効果の位相ベースのパラメータ化により効率的な計算を達成する。