[论文解读] Nonlocal $p$-Laplacian Variational problems on graphs

Yosra Hafiene, Jalal Fadili+1 more|arXiv (Cornell University)|Oct 30, 2018

Advanced Mathematical Modeling in Engineering参考文献 44被引用 4

一句话总结

本文通过推导离散解与连续极限之间显式的误差界，建立了图上离散非局部 $p$-Laplacian 变分问题的一致性。证明了在图密集和随机序列下解的收敛性，并给出了收敛速率，表明随着顶点数增加，离散问题的解收敛到连续变分问题的唯一解，其收敛速率取决于数据光滑性与核函数离散化方式。

ABSTRACT

In this paper, we study a nonlocal variational problem which consists of minimizing in $L^2$ the sum of a quadratic data fidelity and a regularization term corresponding to the $L^p$-norm of the nonlocal gradient. In particular, we study convergence of the numerical solution to a discrete version of this nonlocal variational problem to the unique solution of the continuum one. To do so, we derive an error bound and highlight the role of the initial data and the kernel governing the nonlocal interactions. When applied to variational problem on graphs, this error bound allows us to show the consistency of the discretized variational problem as the number of vertices goes to infinity. More precisely, for networks in convergent graph sequences (simple and weighted deterministic dense graphs as well as random inhomogeneous graphs), we prove convergence and provide rate of convergence of solutions for the discrete models to the solution of the continuum problem as the number of vertices grows.

研究动机与目标

• 严格分析当顶点数趋于无穷时，图上离散非局部 $p$-Laplacian 变分问题的一致性。
• 在 $L^2$ 范数下推导离散解与连续解之间显式的误差界，量化数据与核函数离散化的影响。
• 在包括确定性稠密图与随机非均匀图在内的多种图序列中，建立离散解向连续解收敛的收敛速率。
• 为在点云和图像等离散数据结构上使用非局部正则化提供理论依据，将离散模型与连续 PDE 联系起来。
• 通过理解其渐近行为与收敛性质，为改进离散算法提供洞见。

提出的方法

• 在连续区域 $\Omega = [0,1]$ 上构建一个非局部变分问题，其正则化项基于非局部梯度算子 $\nabla_K u(x,y) = K(x,y)^{1/p}(u(y) - u(x))$ 的 $L^p$-范数。
• 在具有 $n$ 个顶点的图上提出其离散对应形式，通过最小化结合数据保真项 $\|u_n - g_n\|_{L^2}^2$ 与离散非局部 $p$-Dirichlet 能量 $R_{n,p}(u_n, K_n)$ 的泛函来实现。
• 推导出连续解 $u^*$ 与离散解 $u_n^*$ 之间的一般 $L^2$ 误差界，该误差界显式依赖于核函数 $K$ 的离散化误差与初始数据 $g$ 的离散化误差。
• 将误差界应用于收敛到极限图函数的图序列，证明在 $K$ 与 $g$ 具有弱正则性假设下，离散解收敛于连续解。
• 利用图函数理论与随机图模型（如 $G_{q_n}(n,K)$）分析非均匀随机图中的收敛性，建立包含 $n$ 与对数项的收敛速率。
• 通过点云与信号上的数值实验验证理论收敛速率，采用 $p=1$ 与 $p=2$，并跟踪原始算法的收敛性与误差。

实验结果

研究问题

• RQ1 当顶点数 $n \to \infty$ 时，图上非局部 $p$-Laplacian 问题的极小化子是否收敛到连续变分问题的唯一解？
• RQ2 离散解向连续解收敛的速率如何？其与数据 $g$ 的光滑性、核函数 $K$ 的性质以及图结构的关系是怎样的？
• RQ3 核函数 $K$ 与初始数据 $g$ 的离散化误差如何影响离散解与连续解之间的整体误差？
• RQ4 连续极限能否为图像、信号与点云处理中使用的离散算法提供理论依据与改进策略？
• RQ5 在随机图模型（如非均匀 Erdős–Rényi 图）中，收敛速率表现如何？是否与理论预测一致？

主要发现

• 对于收敛图序列，离散非局部 $p$-Laplacian 变分问题的解 $u_n^*$ 在 $L^2$ 范数下收敛于连续问题的唯一极小化子 $u^*$，当 $n \to \infty$ 时成立。
• 推导出显式误差界，表明离散解与连续解之间的 $L^2$ 误差受核函数离散化误差的 $L^2$-范数与数据离散化误差的 $L^2$-范数控制。
• 对于利普希茨连续的数据与核函数，稠密图序列下的收敛速率为 $O(n^{-1/2})$，与点云上的数值实验结果一致。
• 对于随机非均匀图，收敛速率为 $O\left(\left(\frac{\log n}{n}\right)^{1/2}\right)$，与定理 6.2 的理论预测相符，并通过数值实验得到验证。
• 在点云去噪实验中采用 $p=1$，验证了原始算法收敛速率 $o(1/k)$，且离散解与参考解之间的误差以与 $O(n^{-1/2})$ 一致的速率下降。
• 一致性结果对图结构的选择具有鲁棒性，且在高维情形下依然成立，通过图像与点云处理的数值示例展示了其应用价值。