[论文解读] Multiresolution Representations for Piecewise-Smooth Signals on Graphs

Siheng Chen, Aarti Singh+1 more|arXiv (Cornell University)|Mar 8, 2018

Advanced Graph Neural Networks参考文献 28被引用 10

一句话总结

本文提出了一种新颖的图多分辨率分析方法及其对应的图字典，用于不规则图信号的稀疏表示，采用自粗到精的划分策略，通过迭代地将图分割为子图实现。该方法在多种数据集上的信号逼近与定位任务中表现优异，优于八种现有的表示方法，涵盖交通网络、社交网络和点云网格。

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.

研究动机与目标

• 为复杂且不规则的数据（如城市出行与社交网络资料）中的分段光滑图信号提供数学上严谨的定义。
• 通过引入结构化的图字典，解决分段光滑图信号缺乏系统性稀疏表示的问题。
• 开发一种自粗到精的图划分策略，实现在图上高效的多分辨率分析，以支持高效的信号表示。
• 在真实世界数据集上验证所提方法，证明其在信号逼近与定位任务中的优越性。

提出的方法

• 将分段光滑图信号定义为在同质区域之间边界处变化显著、而在区域内变化较小的信号。
• 提出一种受经典多分辨率分析启发、并适配图结构的图多分辨率分析框架。
• 通过自粗到精的分解实现多分辨率分析：递归地将图划分为两个连通子图，直至达到单个节点。
• 从划分过程中构建图小波基，形成结构良好且存储高效的图字典。
• 利用生成的图字典通过捕捉不连续性与局部平滑性，促进分段光滑信号的稀疏表示。
• 在六个真实图数据集（包括曼哈顿交通网络、Facebook社交网络与点云网格）上，通过逼近与定位任务验证该方法。

实验结果

研究问题

• RQ1 如何在复杂且不规则的数据结构背景下，对分段光滑图信号进行形式化且严谨的定义？
• RQ2 在图上实现多分辨率分析以支持稀疏信号表示的有效且高效的方法是什么？
• RQ3 自粗到精的图划分策略能否生成一种能促进分段光滑信号稀疏性的图字典？
• RQ4 与现有表示方法相比，所提出的图字典在逼近精度与定位性能方面表现如何？
• RQ5 在真实世界场景（如交通网络或社交媒体）中，该方法是否展现出可测量的优越性？

主要发现

• 所提出的分段光滑图字典在所有测试数据集的信号逼近任务中，均实现了最高的信噪比（SNR）与最低的归一化均方误差。
• 在曼哈顿出租车接客与餐厅分布数据集中，该图字典优于所有其他方法，包括谱图小波与基于子图的滤波器组。
• 在明尼苏达州道路网络的定位任务中，该图字典在低噪声水平下实现了最佳的SNR与相关性评分。
• 在六种真实图数据集（包括交通网络、引文网络、社交网络与点云网格）上，该方法优于八种竞争性表示技术。
• 自粗到精的划分方法能高效构建满足图多分辨率分析条件的图小波基。
• 该图字典能够实现对分段光滑信号的精确重构，可视化结果表明其在激活区域定位方面优于过度平滑或欠平滑的替代方案。