机器学习的图信号处理:一份综述和新视角
本文综述了从统计学和物理学等传统观点以及从图信号处理 (GSP) 角度采用的更近期的方法。本文重点强调了传统和 GSP 为基础的图推理方法之间的概念上的异同,并强调了后一种方法在许多理论和实践情景中的潜在优势,并结论了未来信号处理和机器学习算法的设计面临的若干开放问题和挑战。
Jun, 2018
本文介绍了图形学习方法,如何通过图信号了解底层网络拓扑,以及统计方法,使用相关分析学习高斯图模型,并介绍近期的 GSP 基础网络推断框架,以及对动态网络的推断,非线性模型的配对交互以及对有向图的扩展及其与因果推理的关系等领域的挑战和机遇进行概述。
Oct, 2018
本研究将离散信号处理 (DSP) 延伸到图信号,利用 DSP 基本原理进行快速分类,压缩和预测线性不规则位置天气站数据和移动服务提供商客户行为数据以及图论和社交网络的数据分析和处理。
Oct, 2012
本文概述了在图上信号处理的方法,从图谱论、多尺度变换的角度阐述了在处理高维数据的图结构方面的方法和挑战,并强调了考虑到图形数据不规则结构的重要性。
Oct, 2012
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
我们提出了一种学习基于乘积谱模板的高维图来替代直接从高维度图信号学习的方法,以减少计算负担。 与当前方法相比,我们的方法可以学习所有类型的乘积图,具有更少的参数,并在实验上得到了证明。
Nov, 2022
本文旨在建立分析拓扑空间中定义的信号的基本工具,特别是用于处理定义在非度量空间上的信号,其中我们着重介绍定义在单纯复合体上的信号,并从代数拓扑的基本原理出发,在各阶信号之间强调相互作用和提取数据中单纯复合体拓扑的方法,最后通过实际应用案例验证所提出的方法的有效性。
Jul, 2019