[论文解读] Spectrum-Adapted Tight Graph Wavelet and Vertex-Frequency Frames

David I Shuman, Christoph Wiesmeyr+2 more|arXiv (Cornell University)|Nov 4, 2013

Advanced Graph Neural Networks参考文献 21被引用 11

一句话总结

该论文通过使用近似图拉普拉斯矩阵特征值累积谱密度的函数对均匀平移的谱滤波器进行变形，提出了谱自适应紧图小波和顶点-频率框架。该方法实现了在图上快速、高效且数值稳定的信号表示，相较于传统谱图小波具有更强的区分能力。

ABSTRACT

We consider the problem of designing spectral graph filters for the construction of dictionaries of atoms that can be used to efficiently represent signals residing on weighted graphs. While the filters used in previous spectral graph wavelet constructions are only adapted to the length of the spectrum, the filters proposed in this paper are adapted to the distribution of graph Laplacian eigenvalues, and therefore lead to atoms with better discriminatory power. Our approach is to first characterize a family of systems of uniformly translated kernels in the graph spectral domain that give rise to tight frames of atoms generated via generalized translation on the graph. We then warp the uniform translates with a function that approximates the cumulative spectral density function of the graph Laplacian eigenvalues. We use this approach to construct computationally efficient, spectrum-adapted, tight vertex-frequency and graph wavelet frames. We give numerous examples of the resulting spectrum-adapted graph filters, and also present an illustrative example of vertex-frequency analysis using the proposed construction.

研究动机与目标

• 解决现有谱图小波仅适应最大特征值而未考虑图拉普拉斯矩阵特征值整体分布的局限性。
• 在保持谱适应性的同时，克服全特征分解在窗化图傅里叶框架中的计算负担。
• 通过切比雪夫多项式逼近方法，实现图信号的快速紧框架构造，支持可扩展实现。
• 通过将滤波器位置适配图拉普拉斯矩阵的实际特征值分布，提升图小波原子的区分能力。
• 通过构建在顶点域和谱域中联合局部化的紧框架，实现高效的顶点-频率分析。

提出的方法

• 在图谱域中定义一组均匀平移的核函数，在广义平移下可生成紧框架。
• 使用近似图拉普拉斯矩阵特征值累积谱密度函数（CSDF）的函数对均匀平移进行变形，以实现对谱特性的适应。
• 通过基于CSDF的变形应用于平滑、带通或尺度核函数，构建谱自适应的谱滤波器。
• 通过在图傅里叶域中保持正交特征向量的性质，确保结果框架为紧框架，从而维持Parseval恒等式。
• 通过切比雪夫多项式逼近实现快速实现，避免对图拉普拉斯矩阵进行全特征分解。
• 利用所得滤波器生成在紧性与计算效率方面均优越的顶点-频率框架与图小波框架。

实验结果

研究问题

• RQ1 如何使图小波滤波器适应图拉普拉斯矩阵特征值的完整分布，而非仅限于谱范围？
• RQ2 能否使用谱自适应滤波器构建图信号的紧框架，同时通过多项式逼近实现快速计算？
• RQ3 特征值聚类对标准谱图小波的相关性与区分能力有何影响？
• RQ4 使用累积谱密度函数对均匀平移进行变形，如何提升局部化性能与框架表现？
• RQ5 所提方法能否在无需全特征分解的情况下，同时实现紧性与计算效率？

主要发现

• 所提出的谱自适应滤波器显著降低了在特征值分布不规则的图上，位于邻近顶点和尺度的小波之间的相关性。
• 所得的顶点-频率框架与图小波框架均为紧框架，确保了数值稳定性，并支持能量保持的信号表示。
• 通过切比雪夫多项式逼近实现快速实现，避免了对图拉普拉斯矩阵进行全特征分解的需要。
• 基于累积谱密度函数的变形函数能有效将滤波器中心重新分布以匹配特征值分布，从而提升谱分辨率。
• 数值实例表明，与标准谱图小波相比，该框架的原子表现出更优的局部化性能与更低的冗余性。
• 该构造支持高效的顶点-频率分析，如通过所提框架的图示例所示。