論文の概要: Sampling Signals on Graphs: From Theory to Applications

• arxiv url: http://arxiv.org/abs/2003.03957v4
• Date: Tue, 11 Aug 2020 23:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:28:12.198015
• Title: Sampling Signals on Graphs: From Theory to Applications
• Title（参考訳）: グラフ上の信号のサンプリング:理論から応用まで
• Authors: Yuichi Tanaka, Yonina C. Eldar, Antonio Ortega, and Gene Cheung
• Abstract要約: 我々は、理論と潜在的な応用に焦点をあてたグラフのサンプリングに関する最近の進歩を概観する。 グラフ信号サンプリングにおけるほとんどの手法は標準信号のサンプリングに使用される手法と平行に設計されているが、グラフ信号のサンプリング理論はシャノン-ニキスト理論とシフト不変サンプリング理論とは大きく異なる。
• 参考スコア（独自算出の注目度）: 119.19108613761915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The study of sampling signals on graphs, with the goal of building an analog of sampling for standard signals in the time and spatial domains, has attracted considerable attention recently. Beyond adding to the growing theory on graph signal processing (GSP), sampling on graphs has various promising applications. In this article, we review current progress on sampling over graphs focusing on theory and potential applications. Although most methodologies used in graph signal sampling are designed to parallel those used in sampling for standard signals, sampling theory for graph signals significantly differs from the theory of Shannon--Nyquist and shift-invariant sampling. This is due in part to the fact that the definitions of several important properties, such as shift invariance and bandlimitedness, are different in GSP systems. Throughout this review, we discuss similarities and differences between standard and graph signal sampling and highlight open problems and challenges.
• Abstract（参考訳）: グラフ上のサンプリング信号の研究は、時間と空間領域における標準信号のサンプリングのアナログを構築することを目的としており、近年注目されている。 グラフ信号処理(gsp)の増大する理論に加え、グラフのサンプリングには様々な有望な応用がある。 本稿では,理論と潜在的応用に注目したグラフのサンプリングに関する最近の進歩を概観する。 グラフ信号サンプリングにおけるほとんどの手法は標準信号のサンプリングに使用される手法と平行に設計されているが、グラフ信号のサンプリング理論はシャノン-ニキスト理論とシフト不変サンプリング理論とは大きく異なる。 これは、シフト不変性や帯域制限性といったいくつかの重要な性質の定義がgspシステムでは異なるという事実による。 本稿では,標準信号とグラフ信号の類似点と相違点について検討し,オープン問題と課題を強調する。

関連論文リスト

• Graph Signal Inference by Learning Narrowband Spectral Kernels [1.740992908651449]
  グラフ周波数領域における狭帯域カーネルの組み合わせによって信号スペクトルが表現される新しいグラフ信号モデルを提案する。 提案手法は,文献における様々な参照手法と比較して,極めて良好な信号精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-02-19T12:54:39Z)
• Sampling and Uniqueness Sets in Graphon Signal Processing [136.68956350251418]
  グラフとグラフの極限の理論を活用して、大きなグラフの族上のサンプリング集合の性質について検討する。 我々は、収束結果を利用して、ほぼ最適なサンプリングセットを得るアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-01-11T22:31:48Z)
• A Poincaré Inequality and Consistency Results for Signal Sampling on Large Graphs [34.99659089854587]
  グラフ制限の一種であるグラフオンに対する信号サンプリング理論を導入する。 収束グラフ列上の一意なサンプリング集合は、グラフオン上の一意なサンプリング集合に収束することを示す。 そこで我々は,大規模グラフに対する関連するグラフ信号サンプリングアルゴリズムを提案し,グラフ機械学習タスクにおいて,その優れた経験的性能を示す。
  論文  参考訳（メタデータ） (2023-11-17T16:04:31Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Distributional Signals for Node Classification in Graph Neural Networks [36.30743671968087]
  グラフニューラルネットワーク(GNN)では、ノード特徴とラベルの両方がグラフ信号の例であり、グラフ信号処理(GSP)における鍵概念である。 本フレームワークでは,ノードラベルの分布をその値の代わりに扱うとともに,そのような分布グラフ信号の滑らかさと非均一性の概念を提案する。 次に,GNNの一般正規化手法を提案し,半教師付きノード分類タスクにおけるモデル出力の分布の滑らかさと非均一性をエンコードする。
  論文  参考訳（メタデータ） (2023-04-07T06:54:42Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Stratified Graph Spectra [0.0]
  本稿では,ベクトル値信号から固有成分の大きさを復号する一般化変換を求める。 いくつかの試みが検討され、階層的な隣接度で変換を行うことで、信号のスペクトル特性をより深く分析することができることが判明した。
  論文  参考訳（メタデータ） (2022-01-10T23:35:13Z)
• FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
  信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。 ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
  論文  参考訳（メタデータ） (2020-10-29T10:00:42Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。