[论文解读] Discrete Signal Processing on Graphs: Frequency Analysis

Aliaksei Sandryhaila, José M. F. Moura|arXiv (Cornell University)|Jul 1, 2013

Advanced Graph Neural Networks参考文献 30被引用 1

一句话总结

本文通过基于总变差的图信号排序，提出了一种用于图上信号的新型频域分析框架，定义了低频与高频分量。该框架引入了基于邻接矩阵特征向量的图傅里叶变换，实现了低通、高通与带通图滤波器的设计。其核心贡献在于首次在一般图上建立了统一的频率排序——此前该问题尚未被定义——从而实现了类似于经典数字信号处理的有意义信号处理。

ABSTRACT

Signals and datasets that arise in physical and engineering applications, as well as social, genetics, biomolecular, and many other domains, are becoming increasingly larger and more complex. In contrast to traditional time and image signals, data in these domains are supported by arbitrary graphs. Signal processing on graphs extends concepts and techniques from traditional signal processing to data indexed by generic graphs. This paper studies the concepts of low and high frequencies on graphs, and low-, high-, and band-pass graph filters. In traditional signal processing, there concepts are easily defined because of a natural frequency ordering that has a physical interpretation. For signals residing on graphs, in general, there is no obvious frequency ordering. We propose a definition of total variation for graph signals that naturally leads to a frequency ordering on graphs and defines low-, high-, and band-pass graph signals and filters. We study the design of graph filters with specified frequency response, and illustrate our approach with applications to sensor malfunction detection and data classification.

研究动机与目标

• 为解决图信号中缺乏自然频率排序的问题，该问题阻碍了传统信号处理概念的应用。
• 通过基于总变差的排序方法，为任意图定义低频与高频图信号。
• 基于邻接矩阵作为移位算子，建立可设计指定频率响应图滤波器的框架。
• 在真实应用场景中展示该框架的实用性，如传感器故障检测与数据分类。

提出的方法

• 提出一种用于图信号的总变差度量，可在任意图上诱导出自然的频率排序。
• 基于邻接矩阵的特征向量定义图傅里叶变换，其频率对应于矩阵的特征值。
• 在邻接矩阵的谱域中，基于频率响应引入图滤波器（低通、高通、带通）。
• 利用若尔当代数分解处理非对角化邻接矩阵，确保数学上的稳健性。
• 推导出基于邻接矩阵的二次型，用于测量频域中的信号能量。
• 在规则图上建立所提频率排序与拉普拉斯基排序之间的等价性，验证其一致性。

实验结果

研究问题

• RQ1 在缺乏自然频率排序的任意图上，如何有意义地定义低频与高频分量？
• RQ2 基于图信号的总变差度量能否导致一致且可解释的频率排序？
• RQ3 在缺乏标准频率轴的情况下，如何设计具有指定频率响应的图滤波器（低通、高通、带通）？
• RQ4 所提出的框架在多大程度上与现有的基于拉普拉斯矩阵的图信号处理方法一致，特别是在规则图上？
• RQ5 所提出的频域分析框架能否有效应用于真实世界问题，如传感器网络异常检测与数据分类？

主要发现

• 所提出的总变差度量在任意图上诱导出自然且可解释的频率排序，从而支持低频与高频信号的定义。
• 基于邻接矩阵特征向量的图傅里叶变换为图信号提供了统一的谱表示。
• 利用所提框架可设计出具有指定频率响应的低通、高通与带通图滤波器。
• 在规则图上，所提频率排序与经典拉普拉斯基排序一致，验证了其一致性。
• 该框架在真实数据集上成功检测出传感器故障，并对部分标记数据实现有效分类，展示了其实际应用价值。
• 基于邻接矩阵的二次型在规则图上与拉普拉斯二次型保持相同的频率排序，证实了理论等价性。