Reference:
[1] S. K. Narang, A. Gadde and A. Ortega, “Signal processing techniques for interpolation in graph structured data,” 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, 2013, pp. 5445-5449.
[2] https://doi.org/10.1090/S0002-9947-08-04511-X
图信号处理学习笔记(1):https://blog.csdn.net/m0_38002423/article/details/90758200
本文针对推荐算法等应用,阐述一种基于图信号插值的对未知节点的预测方法。
佩利-维纳空间(Payley-Wiener Space)
在笔记(1)中,我们提到了GFT的大致思想:给定一个图的描述矩阵,可以将其对角化得到一组特征值和特征向量,特征值大的特征向量对应了高频成分,特征值小的特征向量对应了低频成分。
假定这些特征值从小到大的排列为 Λ = [ λ 1 , λ 2 , . . . , λ n ] \Lambda=[\lambda_1,\lambda_2,...,\lambda_n] Λ=[λ1,λ2,...,λn],其对应的特征向量分别为 U = [ u 1 , u 2 , . . . , u n ] U=[u_1,u_2,...,u_n] U=[u1,u2,...,un]。定义图 G G G的带宽为 w w w的佩利-维纳空间为:由特征值位于 [ 0 , w ) [0,w) [0,w)的特征向量构成的向量空间,记作 P W w ( G ) PW_w(G) PWw(G)。
独特集(Uniqueness Set)
给定一个图 G = ( V , E ) G=(V,E) G=(V,E),其中 V V V为节点, E E E为权值。如果有节点子集 S ⊂ V S \subset V S⊂V,使得对于任意两个:1)在空间 P W w ( G ) , w > 0 PW_w(G), w>0 PWw(G),w>0下;2)且在子集 S S S中相等的图信号 x , y x,y x,y,它们在总集 V V V中也相等,则将节点子集 S S S称为 P W w ( G ) PW_w(G) PWw(G)空间下的独特集。
以上定义说明:要完全重建一个有限频带为 w w w的信号,只需要知道其独特集节点上的值即可。
Λ \Lambda Λ-子集( Λ \Lambda Λ-Set)
对于图 G = ( V , E ) G=(V,E) G=(V,E),如果有节点子集 Q ⊂ V Q \subset V Q⊂V,存在常数 Λ > 0 \Lambda>0 Λ>0,使得 Q Q Q的节点子空间下的所有向量 ϕ \phi ϕ满足:
∣ ∣ ϕ ∣ ∣ ≤ Λ ∣ ∣ L ϕ ∣ ∣ ||\phi||\leq \Lambda|| \mathcal{L\phi}|| ∣∣ϕ∣∣≤Λ∣∣Lϕ∣∣
则称节点子集 Q Q Q为 V V V的 Λ \Lambda Λ子集。
其中 Q Q Q的节点子空间表示节点集合 Q Q Q以外的值都为0的子空间。 L \mathcal{L} L表示拉普拉斯矩阵的标准化形式,即:
L = D − 1 2 L D − 1 2 \mathcal{L}=D^{-\frac{1}{2}}LD^{-\frac12} L=D−21LD−21
独特集与 Λ \Lambda Λ-子集的关系
定理:对于图 G =