論文の概要: Graph Signal Inference by Learning Narrowband Spectral Kernels
- arxiv url: http://arxiv.org/abs/2502.13686v1
- Date: Wed, 19 Feb 2025 12:54:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 14:01:24.645481
- Title: Graph Signal Inference by Learning Narrowband Spectral Kernels
- Title(参考訳): 狭帯域スペクトルカーネルの学習によるグラフ信号推定
- Authors: Osman Furkan Kar, Gülce Turhan, Elif Vural,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.740992908651449
- License:
- Abstract: While a common assumption in graph signal analysis is the smoothness of the signals or the band-limitedness of their spectrum, in many instances the spectrum of real graph data may be concentrated at multiple regions of the spectrum, possibly including mid-to-high-frequency components. In this work, we propose a novel graph signal model where the signal spectrum is represented through the combination of narrowband kernels in the graph frequency domain. We then present an algorithm that jointly learns the model by optimizing the kernel parameters and the signal representation coefficients from a collection of graph signals. Our problem formulation has the flexibility of permitting the incorporation of signals possibly acquired on different graphs into the learning algorithm. We then theoretically study the signal reconstruction performance of the proposed method, by also elaborating on when joint learning on multiple graphs is preferable to learning an individual model on each graph. Experimental results on several graph data sets shows that the proposed method offers quite satisfactory signal interpolation accuracy in comparison with a variety of reference approaches in the literature.
- Abstract(参考訳): グラフ信号解析における一般的な仮定は、信号の滑らかさやスペクトルの帯域制限性であるが、多くの場合、実際のグラフデータのスペクトルはスペクトルの複数の領域に集中しうる。
本研究では,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。
次に、グラフ信号の集合からカーネルパラメータと信号表現係数を最適化することにより、モデルを共同で学習するアルゴリズムを提案する。
我々の問題定式化は、学習アルゴリズムに異なるグラフ上で取得される可能性のある信号の組込みを許容する柔軟性を有する。
次に,提案手法の信号再構成性能について理論的に検討し,各グラフ上の個々のモデルを学習する上で,複数グラフ上の共同学習が望ましい時期についても検討する。
いくつかのグラフデータセットの実験結果から,提案手法は文献における様々な参照手法と比較して,極めて良好な信号補間精度を提供することが示された。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳(メタデータ) (2024-11-08T17:40:43Z) - Graph Laplacian Learning with Exponential Family Noise [8.594140167290098]
指数関数的家族雑音によるグラフ信号から学習するための多目的グラフ推論フレームワークを提案する。
本フレームワークは,連続的なスムーズなグラフ信号から様々なデータタイプまで,従来の手法を一般化する。
論文 参考訳(メタデータ) (2023-06-14T02:09:52Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - Graphon Pooling for Reducing Dimensionality of Signals and Convolutional
Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。
これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。
我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文 参考訳(メタデータ) (2022-12-15T22:11:34Z) - Learning Product Graphs from Spectral Templates [3.04585143845864]
グラフ学習(GL)は、データマイニングと機械学習(ML)におけるコネクションの推論と分析の核である
複雑度を著しく低減した製品スペクトルテンプレートからの学習製品(高次元)グラフを提案する。
現在の稀なアプローチとは対照的に、我々のアプローチはグラフ製品の種類を知ることなく、あらゆる種類の製品グラフを学習することができる。
論文 参考訳(メタデータ) (2022-11-05T12:28:11Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - 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) - Joint Inference of Multiple Graphs from Matrix Polynomials [34.98220454543502]
ノード上の観測からグラフ構造を推定することは重要かつ一般的なネットワーク科学課題である。
ノードの信号の観測から複数のグラフを共同で推定する問題について検討する。
本稿では,真のグラフの回復を保証するための凸最適化手法を提案する。
論文 参考訳(メタデータ) (2020-10-16T02:45:15Z) - Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。
合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
論文 参考訳(メタデータ) (2020-06-12T17:51:22Z) - Sampling Signals on Graphs: From Theory to Applications [119.19108613761915]
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。
論文 参考訳(メタデータ) (2020-03-09T07:49:40Z)
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。