[论文解读] Detecting Activations over Graphs using Spanning Tree Wavelet Bases

James Sharpnack, Akshay Krishnamurthy+1 more|arXiv (Cornell University)|Jun 5, 2012

Image and Signal Denoising Methods参考文献 20被引用 11

一句话总结

本文提出了一种生成树小波基，用于在高斯噪声下检测图上的分段常数激活，通过随机生成树的层次分解实现接近最优的检测性能。均匀生成树小波检测器在边传递图、k-近邻图和ε-图中，于低信噪比条件下渐近地区分零假设与备择假设，检测极限仅相差对数因子。

ABSTRACT

We consider the detection of activations over graphs under Gaussian noise, where signals are piece-wise constant over the graph. Despite the wide applicability of such a detection algorithm, there has been little success in the development of computationally feasible methods with proveable theoretical guarantees for general graph topologies. We cast this as a hypothesis testing problem, and first provide a universal necessary condition for asymptotic distinguishability of the null and alternative hypotheses. We then introduce the spanning tree wavelet basis over graphs, a localized basis that reflects the topology of the graph, and prove that for any spanning tree, this approach can distinguish null from alternative in a low signal-to-noise regime. Lastly, we improve on this result and show that using the uniform spanning tree in the basis construction yields a randomized test with stronger theoretical guarantees that in many cases matches our necessary conditions. Specifically, we obtain near-optimal performance in edge transitive graphs, $k$-nearest neighbor graphs, and $ε$-graphs.

研究动机与目标

• 开发一种在任意图上高斯噪声下检测分段常数信号的计算可行方法。
• 建立理论保证，以区分零假设（无激活）与备择假设（结构化激活）。
• 通过在小波基构造中使用随机均匀生成树，提升检测性能。
• 通过在边传递图、k-近邻图和ε-图中匹配基本检测极限（仅相差对数因子），证明方法的近似最优性。

提出的方法

• 在图的生成树上构建类似哈尔的小波基，实现信号的局部化表示。
• 通过生成树的层次划分定义捕捉信号不连续性的小波系数。
• 采用随机均匀生成树（UST）以提升理论检测保证。
• 将小波系数的ℓ∞-范数 ||By||∞ 作为假设检验的检验统计量。
• 将检测能力与信号不连续点数ρ及边的有效电阻绑定。
• 利用图论工具，包括边关联矩阵和Foster定理，进行理论分析。

实验结果

研究问题

• RQ1 在一般图上高斯噪声下，分段常数信号的可检测性基本极限是什么？
• RQ2 基于小波的方法是否能在任意图拓扑下以低计算成本实现可证明的检测保证？
• RQ3 生成树的选择在信噪比方面如何影响检测性能？
• RQ4 与确定性选择相比，随机生成树在多大程度上能改善理论检测阈值？
• RQ5 所提出的方法在k-近邻图和ε-图等常见随机图模型中是否达到近似最优？

主要发现

• 本文建立了通用下界：若 µ/σ = o(√(min{ρ/dmax, √n}))，则 H0 与 H1 为渐近不可区分。
• 对于任意生成树，基于小波的检测器在 µ/σ 的增长速度超过 √(ρ log d log n) 时可实现检测。
• 使用均匀生成树可将边界改善一个与平均有效电阻相关的因子，从而在边传递图中得到 µ/σ = ω(√(ρ/d log d log n)) 的结果。
• 在k-近邻图中，在正则性条件下，当 µ/σ = ω(√(ρ/k log d log n)) 时，检测器实现近似最优。
• 在ε-图中，当 p ≥ pmin 且 nǫd+2 → ∞ 时，方法在 µ/σ = ω(√(ρ/(nǫd log d log n))) 下匹配基本检测极限。
• 仿真结果验证了理论边界，显示 ||Bx||0 与 ρ log d log n 呈线性关系，验证了稀疏性边界。