基于核的多图学习与图信号聚类

Oct, 2023

Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals

Mohamad H. Alizade, Aref Einizade

TL;DR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。

Abstract

Within the context of graph signal processing (GSP), graph learning (GL) is concerned with the inference of a graph's topology from nodal observations, i.e., graph signals. However, data is often in mixed form, r

graph signal processing graph learning graph topology mixed data k-means framework

发现论文，激发创造

机器学习的图信号处理：一份综述和新视角

该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来 GSP 技术发展的新视角，以解锁在现代数据分析中的许多挑战。

Jul, 2020

从谱模板中学习产品图

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

连接数据点：通过图信号处理识别网络结构

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

基于核方法的图信号重构

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

从数据中学习图形：信号表示的视角

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

基于图信号处理的几何数据及其应用：理论与应用

该论文综述了基于图形信号处理的几何数据的广泛应用，以及该领域内新兴的图神经网络，并讨论了其在处理几何数据中的作用与挑战。

Aug, 2020

基于多核克里格卡尔曼滤波的图空时函数推断

本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。

Nov, 2017

图神经网络中节点分类的分布式信号

本论文介绍了一种将分布式图信号运用于图神经网络中、以提高 GNN 在半监督节点分类中性能的正则化方法。通过数值实验发现，该方法能够显著改善不同问题设置下大多数基本 GNN 模型的性能。

Apr, 2023

GSP-KalmanNet: 通过神经辅助的卡尔曼滤波跟踪图信号

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

图信号处理：概述、挑战和应用

本文总结了图信号处理领域的核心思想及其与数字信号处理的关系，并概述了图信号处理中的基本工具、各个应用领域的研究进展以及该领域在机器学习等方面的应用。

Dec, 2017