论文标题:BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation
论文作者:Mingguo He; Zhewei Wei; Zengfeng Huang; Hongteng Xu
论文地址:https://arxiv.org/pdf/2106.10994.pdf
欢迎关注小编知乎:戴鸽
一般来说,图谱滤波器需要人为预先定义,要么就是直接学习,前者一般会限制网络的表达,使得网络仅能学习有限的图,后者则缺少解释性。因此作者折了个中,提出了基于Bernstein多项式的BerNet。这种方法使用K阶Bernstein多项式逼近滤波器,并且,我们可以根据观察到数据集的图性质及其相关信号来学习系数,从而实现数据专用的BernNet。模型总体情况如图所示:输入为一个图网络,不同图的拉普拉斯均存在某种特定的滤波器,而BernNet的方法则可以根据不同的数据调节对应的特征系数
,达到拟合该数据本身矩阵特征的效果。
方法
基于Bernstein 估计的谱滤波
首先定义一下这个滤波器。众所周知拉普拉斯矩阵可以做特征值分解得到 ,其中 为特征向量, 为特征值的对角阵。如果加入一个带有归一化效果的频谱滤波器 即可使得拉普拉斯矩阵 ,可以将特征值从[0,2]变成[0,1]。加入滤波器以后,特征值分解就可以写成:
之后的关键任务是需要用数学形式把这个滤波器函数 给定义出来,即怎么去做 函数的估计。
文章采用的方法称作Bernstein polynomial approximation,这种多项式估计的定义为:
这里 ,表示第k个Bernstein 基, 表示第 项的函数值,即对应的 的系数。
(ps:附一个wikipedia的Bernstein polynomial的示例:
将v,n的值带入以后可以得到:
对于任意连续函数