图信号处理学习笔记（2）：缺失图信号预测

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$\Lambda =[{\lambda }_1,{\lambda }_2,...,{\lambda }_n]$，其对应的特征向量分别为$U=[u_1,u_2,...,u_n]$。定义图$G$的带宽为$w$的佩利-维纳空间为：由特征值位于$[0,w)$的特征向量构成的向量空间，记作$P{W}_w(G)$。

独特集（Uniqueness Set）

给定一个图$G=（V，E）$，其中$V$为节点，$E$为权值。如果有节点子集$S\subset V$，使得对于任意两个：1）在空间$P{W}_w(G),w>0$下；2）且在子集$S$中相等的图信号$x,y$，它们在总集$V$中也相等，则将节点子集$S$称为$P{W}_w(G)$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$w$的信号，只需要知道其独特集节点上的值即可。

$\Lambda$-子集（$\Lambda$-Set）

对于图$G=(V,E)$，如果有节点子集$Q\subset V$，存在常数$\Lambda >0$，使得$Q$的节点子空间下的所有向量$\varphi$满足：
$$||\varphi ||\le \Lambda ||\mathcal{L}\varphi ||$$
则称节点子集$Q$为$V$的$\Lambda$子集。
其中$Q$的节点子空间表示节点集合$Q$以外的值都为0的子空间。$\mathcal{L}$表示拉普拉斯矩阵的标准化形式，即：
$$\mathcal{L}=D^{-\frac{1}{2}}L{D}^{-\frac{1}{2}}$$

独特集与$\Lambda$-子集的关系

定理：对于图 G =