[论文解读] Modelling Graph Errors: Towards Robust Graph Signal Processing

J.K. Miettinen, Sergiy A. Vorobyov+1 more|arXiv (Cornell University)|Mar 20, 2019

Advanced Graph Neural Networks参考文献 47被引用 4

一句话总结

本文引入了实用的图误差模型，以研究邻接矩阵估计误差对图信号处理（GSP）任务的影响。它基于Erdös-Rényi随机图和图函数理论提出一个框架，用于建模邻接矩阵中的扰动，并通过理论分析与数值计算评估其对图滤波和独立成分分析等GSP方法的影响，关键结果表明：误差影响取决于图的拓扑结构与信号结构。

ABSTRACT

The first step for any graph signal processing (GSP) procedure is to learn the graph signal representation, i.e., to capture the dependence structure of the data into an adjacency matrix. Indeed, the adjacency matrix is typically not known a priori and has to be learned. However, it is learned with errors. A little attention has been paid to modelling such errors in the adjacency matrix, and studying their effects on GSP methods. However, modelling errors in the adjacency matrix will enable both to study the graph error effects in GSP and to develop robust GSP algorithms. In this paper, we therefore introduce practically justifiable graph error models. We also study, both analytically when possible and numerically, the graph error effect on the performance of GSP methods in different types of problems such as filtering of graph signals and independent component analysis of graph signals (graph decorrelation).

研究动机与目标

• 为解决图信号处理（GSP）中学习得到的邻接矩阵误差缺乏系统建模的问题。
• 研究图结构误差——特别是邻接矩阵中的误差——对GSP方法性能的影响。
• 开发理论基础扎实且实际可行的图误差模型，以支持鲁棒GSP算法设计。
• 分析邻接矩阵不确定性对图滤波和图信号独立成分分析（ICA）等关键GSP任务的影响。
• 提供理论与数值工具，用于评估GSP方法对图拓扑扰动的敏感性。

提出的方法

• 使用Erdös-Rényi随机图模型作为邻接矩阵不确定性的基线建模方法。
• 提出一种扰动模型，其中真实邻接矩阵受到以已知概率随机增加或删除边的影响。
• 应用图函数理论来建模大规模图结构，并推导特征值与特征函数的渐近行为。
• 采用最小距离指数来量化真实图与估计图之间的差异。
• 利用概率论与矩阵代数技术，推导在图误差模型下期望信号能量与自相关性的解析表达式。
• 利用大数定律与随机图模型的对称性，近似图信号处理操作的期望行为。

实验结果

研究问题

• RQ1 学习得到的邻接矩阵中的误差如何影响图滤波与图信号去相关的性能？
• RQ2 使用Erdös-Rényi与图函数模型建模图误差的理论与实际意义是什么？
• RQ3 图的结构（如度分布、特征值谱）如何影响GSP方法对邻接矩阵误差的敏感性？
• RQ4 在多大程度上可利用随机矩阵理论与图函数模型对图误差效应进行解析量化？
• RQ5 不同误差模型（如边删除、边增加）如何影响图ICA与滤波等GSP算法的稳定性？

主要发现

• 滤波信号的期望平方范数近似为 $ \frac{1}{N} \mathbb{E}\{\|\mathbf{z}\|^2\} \approx \sigma_y^2 \left( (\alpha - \alpha^2)\theta^2 a^2 N - 2\alpha\theta a + 1 \right) $，表明其依赖于图密度 $\alpha$、滤波器增益 $\theta$ 与信号方差。
• 在Erdös-Rényi模型下，图误差效应具有可解析处理性，邻接矩阵扰动的期望值通过大数定律收敛至 $ c\epsilon $。
• 可通过图函数核近似邻接矩阵的特征值与特征函数，从而实现对大规模图的渐近分析。
• 最小距离指数提供了一种量化真实图与估计图之间差异的度量，支持误差建模与鲁棒性分析。
• 分析表明，图误差效应与信号测量误差不等价，GSP中需采用不同的建模方法。
• 数值结果证实，图误差效应具有非平凡性，且取决于信号结构与图拓扑之间的相互作用，尤其在滤波与ICA任务中显著。