[论文解读] Irregularity-Aware Graph Fourier Transforms

Benjamin Girault, Antonio Ortega+1 more|arXiv (Cornell University)|Feb 28, 2018

Advanced Graph Neural Networks被引用 9

一句话总结

本文提出了一种新型的不规则性感知图傅里叶变换（GFT），通过使用任意内积重新定义信号能量和变化，推广了传统GFT，从而更好地处理不规则图结构。通过引入Voronoi单元面积作为归一化度量，该方法在传感器网络中实现了更一致的信号能量定义，降低了对顶点度数的敏感性，并提升了谱表示的鲁棒性。

ABSTRACT

In this paper, we present a novel generalization of the graph Fourier transform (GFT). Our approach is based on separately considering the definitions of signal energy and signal variation, leading to several possible orthonormal GFTs. Our approach includes traditional definitions of the GFT as special cases, while also leading to new GFT designs that are better at taking into account the irregular nature of the graph. As an illustration, in the context of sensor networks we use the Voronoi cell area of vertices in our GFT definition, showing that it leads to a more sensible definition of graph signal energy even when sampling is highly irregular.

研究动机与目标

• 解决传统图傅里叶变换在不规则图结构（尤其是非均匀传感器布设的传感器网络）中鲁棒性不足的问题。
• 开发一种GFT框架，将信号能量与变化的定义解耦，以更好地反映图的几何与拓扑不规则性。
• 通过减少对顶点度数和采样不规则性的依赖，提升谱表示的一致性，尤其针对脉冲等局部化信号。
• 证明使用Voronoi单元面积作为加权度量可带来更符合物理意义且更稳定的信号能量定义。
• 通过在GFT框架中重新定义内积，实现更可靠的图信号处理，适用于谱聚类与滤波等应用。

提出的方法

• 使用任意内积 ⟨x, y⟩_Q = x^H Q y 定义图傅里叶变换（GFT），其中 Q 为正定矩阵，推广标准点积。
• 通过广义拉普拉斯矩阵 L_Q = D_Q - A 的特征向量构造正交图傅里叶基模式，其中 D_Q 为在 Q 加权内积下的度矩阵。
• 利用广义GFT通过基本矩阵定义图滤波器，实现在谱域中的高效滤波操作。
• 在传感器网络中应用该方法，使用Voronoi单元面积作为 Q 矩阵，以反映传感器布设的空间不规则性。
• 通过度数归一化对邻接矩阵进行归一化，以避免度数与面积之间的反相关，提升能量与变化度量的一致性。
• 通过低通滤波指示函数和谱聚类近似对方法进行验证，比较不同内积选择下的性能表现。

实验结果

研究问题

• RQ1 如何推广图傅里叶变换，以更好地适应不规则图结构，尤其是在非均匀采样的传感器网络中？
• RQ2 何种内积选择可为不规则图上的信号能量提供更符合物理意义且更稳定的定义？
• RQ3 内积选择如何影响局部化信号（如脉冲）的谱表示及其变化？
• RQ4 与标准GFT相比，所提出的GFT框架是否能提升低通滤波与谱聚类的性能？
• RQ5 使用Voronoi单元面积作为加权度量在多大程度上可降低信号能量的方差，并提升对图结构变化的鲁棒性？

主要发现

• 在GFT中使用Voronoi单元面积作为内积，可显著提升信号能量定义的一致性与物理意义，尤其在不规则采样的传感器网络中表现突出。
• 基于Voronoi的Q矩阵所提出的GFT在不同图实现中显著降低了信号能量的方差，优于标准GFT（如(L, I)-GFT与(L, D)-GFT）。
• (L, D)-GFT对孤立顶点存在偏差，而(L, I)-GFT由于依赖度数，对脉冲的谱响应不一致。
• (L, C)-GFT（使用Voronoi单元面积）在仅使用少量谱分量（l=1）时，对聚类指示函数的低通近似最为准确。
• 通过度数校正对邻接矩阵进行归一化可改善度数与面积之间的一致性，但Voronoi面积仍能提供最佳整体性能。
• 广义GFT框架支持图滤波器的简便设计，并为不同内积下现有图信号处理方法提供了统一的解释视角。