[论文解读] Stability of Graph Scattering Transforms
本文将散射变换扩展到图数据，使用多分辨率图小波实现，证明置换不变性和对相对图扰动的稳定性，并在若干任务中与 GFT 具有竞争力的经验表现。
Scattering transforms are non-trainable deep convolutional architectures that exploit the multi-scale resolution of a wavelet filter bank to obtain an appropriate representation of data. More importantly, they are proven invariant to translations, and stable to perturbations that are close to translations. This stability property dons the scattering transform with a robustness to small changes in the metric domain of the data. When considering network data, regular convolutions do not hold since the data domain presents an irregular structure given by the network topology. In this work, we extend scattering transforms to network data by using multiresolution graph wavelets, whose computation can be obtained by means of graph convolutions. Furthermore, we prove that the resulting graph scattering transforms are stable to metric perturbations of the underlying network. This renders graph scattering transforms robust to changes on the network topology, making it particularly useful for cases of transfer learning, topology estimation or time-varying graphs.
研究动机与目标
- 为拓扑随时间变化或不确定的网络数据建立鲁棒表示的动机。
- 通过图小波将非可训练散射框架扩展到图上。
- 证明图散射变换（GSTs）在扰动下的稳定性和置换不变性。
- 通过数值实验展示 GST 的有效性和鲁棒性。
提出的方法
- 通过使用一组解析图小波，将欧式卷积替换为图卷积来定义 GST 架构。
- 用图移位算子和图傅里叶变换来描述图信号，以实现图滤波。
- 确保小波满足一个框架（且可紧致）以控制能量扩散，从而实现稳定的多尺度表示。
- 证明 GSTs 对节点重新标记具有置换不变性（命题 1）。
- 给出相对扰动模型并推导稳定性界（定理 1 及命题 2–3），这些界度依赖扰动大小而非图拓扑。
- 由于非线性在不同频段传播信息，GST 表示是稳定且具辨识性的。
实验结果
研究问题
- RQ1图散射变换是否对节点置换保持不变？
- RQ2GSTs 是否在图结构的相对扰动下保持稳定，且该稳定性是否可以与图拓扑无关地量化？
- RQ3在现实任务中，GSTs 与图傅里叶变换（GFT）表示在稳定性和辨识力方面有何比较？
- RQ4在拓扑变化（如边权调整、增加或删除）下，GSTs 能否维持性能？
主要发现
- GSTs 对图的置换（命题 1）保持不变。
- 相对扰动模型为 GSTs 提供了独立于图拓扑的稳定性界（定理 1）。
- 在积分 Lipschitz 条件下，小波输出随扰动大小线性变化（命题 2）。
- GST 系数对扰动个别稳定（命题 3），从而实现对整个 GST 表示的整体稳定性（定理 1）。
- 数值结果表明 GSTs 提供的表示比 GFT 更加稳定，在作者身份识别和 Facebook 图任务上达到相当或更好的分类性能；紧凑的 Hann 小波通常带来最佳稳定性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。