基于多核克里格卡尔曼滤波的图空时函数推断
本论文提出了一种新的基于核函数的图函数重建框架,该框架能够适应时间演化拓扑下的时变函数,并提供了两种互补强度的时空核构造指南,同时引入了批处理和在线估计方法,以及一种新型的核卡尔曼滤波方法,数值测试显示与竞争方法相比,该方法具有显著优势。
Dec, 2016
本文研究基于图信号的信号处理问题,提出了一种基于核回归的模型方法,能够有效地处理图信号的重构和估计问题,并通过多核方法的应用,解决了参数选择和滤波器自动选择的难题。
May, 2016
本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK),用于在网络 / 图结构上恢复未采样位置 / 传感器的数据,实现了局部信息的传递和学习。利用动态邻接矩阵进行培训,最终在多个真实数据集上表现出较好的预测效果,这些研究结果表明:1) GNN 是进行空间克里金的有效工具;2) 可以使用动态邻接矩阵进行归纳式 GNN 的训练;3) 训练好的模型可以传递到新的图结构上;4) IGNNK 可以用于产生虚拟传感器。
Jun, 2020
该研究在动态图信号系统中利用 GSP-KalmanNet,通过结合图信号处理和深度学习技术共同追踪隐藏的图状态,来实现提高准确性、运行时间性能和鲁棒性的目标。
Nov, 2023
本文提出了一种基于图表示学习的时空克里金模型,通过编码不同观察位置间的空间相似性、功能相似性和转移概率,结合门控循环神经网络和多种关系注意机制,从多个时间步骤中动态融合不同关系的时空信息,成功解决了基于异质空间关系的时空克里金问题。
Feb, 2023
通过基于先前指定的内核,采用数值逼近方法进行核函数选择 / 构造,从而探索构造非参数深度内核的解决方案,通过减半插值点的数量(使用与内核相关联的本征 RKHS 范数进行度量)而不会显着损失精度的简单前提来进行核函数选择。
Aug, 2018
本文提出了一种将标准图内核应用于时间领域的框架,包括三种不同的方法,并探讨了时间信息损失和效率之间的平衡,通过实际应用于真实世界的社交网络得出,考虑了时间信息对传播过程的成功分类至关重要。
Oct, 2019
在图信号处理(GSP)的背景下,图学习(GL)关注的是从节点观测(即图信号)中推断出图的拓扑结构。然而,数据通常是混合形式,涉及不同的底层结构。这种异质性需要对多个图进行联合聚类和学习。在许多现实应用中,节点侧协变量(即核函数)是可用的,并且必须被纳入考虑,而这并没有在现有的图信号聚类方法中得到解决。为此,受到丰富的 K-means 框架的启发,我们提出了一种新颖的基于核函数的算法,用于在同时对信号进行分区和为每个簇学习一个图的过程中将节点侧信息纳入考虑。数值实验证明了它相比于现有技术的有效性。
Oct, 2023