基于格拉斯曼测地线的光滑图信号函子性比较

《Signal Processing》:Functorial Comparison of Smooth Graph Signals via Grassmann Geodesics

【字体: 大 中 小 】 时间:2026年10月22日 来源:Signal Processing 3.7

编辑推荐:

   • 探讨不同潜在图上的光滑图信号之间的跨图比较 • 提出一种面向结构感知的功能子空间比较框架 • 引入基于算子的跨图子空间对齐解释 • 将图信号算子与 Grassmann 流形几何联系起来 • 通过仿真、fMRI 指纹识别和 ECG 数据进行验证 引言 如今,许多现实世界的应

  

• 探讨不同潜在图上的光滑图信号之间的跨图比较 • 提出一种面向结构感知的功能子空间比较框架 • 引入基于算子的跨图子空间对齐解释 • 将图信号算子与 Grassmann 流形几何联系起来 • 通过仿真、fMRI 指纹识别和 ECG 数据进行验证 引言 如今,许多现实世界的应用涉及具有不规则结构的信号,这些信号可以建模为图。此类不规则结构可能源自传感器阵列配置(例如天线阵列中天线的位置)、非均匀采样程序,或信号观测背后的某些内在现象。图能够捕捉不规则结构,因此是此类应用信号建模的自然选择。基于图的信号日益增多,催生了图信号处理(GSP)这一新兴领域 [1],该领域旨在推广经典的数字信号处理(DSP)理论。GSP 将频率分析、滤波器设计等既有概念从规则网格上的采样信号扩展到信号具有底层图结构的情形。GSP 框架已在传感器网络 [2]、[3]、智慧城市 [4]、[5]、生物物理信号 [6]、[7] 和神经科学 [8] 等应用中成功得到验证,仅举几例。 信号处理中的一个基本挑战是以忠实反映信号所代表底层现象的方式来比较信号。例如,比较心电图(ECG)信号涉及评估代表不同条件下心脏活动的信号之间的相似性与差异,这对诊断异常或评估治疗效果至关重要。类似地,在传感器网络中,比较来自不同传感器的信号有助于检测环境变化和识别异常。GSP 框架通过融入信号结构,在此类比较中具有优势。例如,将 ECG 信号视为图信号,其中节点对应不同导联,边捕捉导联之间的空间或生理关系,即可实现考虑这些结构关系的比较。这种基于图的方法确保比较过程尊重信号的底层图结构,从而改善对其相似性与差异的有意义表示。 然而,当前 GSP 框架的一个关键局限在于,它假定所有图信号都定义在同一个底层图上。在许多实际场景中,这一假定并不成立。例如,ECG 导联排布图可能因解剖结构或导联放置方式的个体差异而在不同个体或不同记录会话间有所不同。此外,病理状况可能表现为不同的解剖配置,导致底层图不同。 在本工作中,我们将当前 GSP 设定扩展为比较定义在不同图上的图信号集合。我们的方法采用一种被广泛使用且有原则的策略:通过比较信号所张成的子空间来比较信号。这一视角是信号处理和统计学习中许多经典方法的基石,如 PCA [9]、因子模型 [10] 和基于流形的嵌入 [11]、[12]、[13],并已成功应用于异常检测 [14]、[15]、分类 [16] 和变点检测 [17]、[18] 等任务。然而,直接应用标准子空间方法会忽略底层结构差异,而这些差异在跨图设定下区分信号来源时可能至关重要。 因此,我们提出一种强调潜在结构差异的基于子空间的方法。具体而言,对于每组图信号,我们首先在标准光滑先验下估计其底层图并构造相应的图拉普拉斯矩阵。然后,我们进一步利用光滑先验,使用图拉普拉斯矩阵的前几个特征向量表示每组图信号。这得出了底层几何的结构感知子空间表示,并提供了用于跨图比较的紧凑有效基。具体而言,我们通过比较两组图信号各自的子空间表示来比较它们:首先,我们定义一个将一组图信号的子空间表示变换到另一组的算子。然后,利用该算子构造另一个突出两组图信号潜在底层图之间结构差异的算子。最后,我们利用该差异算子计算一个相似性分数,借助其几何性质。从几何角度看,由每组图信号推断出的图拉普拉斯矩阵前几个特征向量所张成的子空间可以视为 Grassmann 流形上的一个点,而我们的相似性分数与该流形上的测地距离紧密相关 [19]、[20]。 值得注意的是,我们所构建的两个算子与形状分析领域的两项开创性工作密切相关。具体而言,它们的定义依赖于函数映射 [21] 以及文献 [22] 中定义的算子,用于在 3D 形状网格之间寻找对应关系和差异。我们强调,我们框架的构建模块——图学习、拉普拉斯特征向量、Grassmann 距离和函数映射——均已有成熟研究,我们的主要贡献在于将它们整合为一个用于跨图信号比较的有原则框架,而这一问题并未被标准 GSP 设定所解决。除这一整合外,我们还建立了算子公式化与 Grassmann 流形之间的新理论联系,得出了能够捕捉相应图信号函数空间之间结构差异的相似性分数。 我们通过在两个典型图模型上的仿真,与基线方法比较性能,来展示我们方法的优势。随后,我们展示框架在不同领域和任务中的通用性,证明其在指纹识别和异常检测等应用中的效用。具体而言,我们给出了三个数据集上的结果,涵盖显式图设定(如 fMRI)、通用多传感器数据(多导 ECG),甚至单传感器设定(单导 ECG),凸显了我们框架的广泛适用性。 相关工作片段 图比较方法对于在不同图数据表示中寻找结构差异和相似性至关重要。有许多图比较方法,包括图同构测试 [23]、[24]、子图匹配算法 [25] 和图编辑距离度量 [26],各自适用于不同的应用。这些方法可大致分为三类:基于成对亲和度的方法 [27]、[28]、谱方法 [29],以及基于图信号处理的方法 考虑一个加权无向图 ??=(??,?,??),顶点集为 n 个顶点 ??,边集为 ?,加权邻接矩阵为 ??∈???。图拉普拉斯矩阵 L 定义为: ??=?????,其中 ??=diag?(???1) 为对角度矩阵。图信号 x 是 ?? 中的一个向量,为每个顶点赋予一个实数值,即 ??:????,并考虑顶点的固定任意顺序。图信号序列通常表示为一个矩阵 ??∈??×?,其各列为图信号。 问题形式化 考虑 M 个图信号 ??={???}??,每个包含 P 个样本,即 ???=[???1??...??????]∈??×?。每个图信号都关联着一个底层潜在图,不同信号可能共享相同的底层图。我们记 K 为不同加权无向潜在图的数量,即 {???|???=(??,??,???)}??。假定每个图信号都是光滑的,即其谱能量集中于相应底层图拉普拉斯矩阵谱的下部。 所提方法 本节我们通过功能算子的视角呈现我们的方法,我们认为这为跨图设定下的图信号比较提供了一个有原则且可解释的框架。我们首先描述如何以同时编码其底层图结构的形式表示每个图信号。具体而言,图拉普拉斯矩阵 L? 的谱分解所诱发的基元素 {??????}?? 构成了 ?? 的一组标准正交基。因此,任何样本都可以… 实验结果 本节中我们展示所提框架对多种任务的适用性,并展示其在所提设定下的优势。我们通过仿真和多项应用评估方法,并与各种基线进行比较。我们的第一组基线是基于拓扑的,通常遵循两阶段过程。第一阶段与我们的方法相同:使用与我们方法相同的图学习算法为每组图信号构造一个图,确保一个… 结论 在本工作中,我们提出了一种新颖的方法用于比较具有不同潜在结构的图信号。所提框架将传统图信号处理扩展到信号源自不同底层图的情形,提供了跨多种应用进行信号分析的通用工具。具体而言,我们提出一种从函子视角处理此设定的方法。与其直接比较图信号,不如将其视为函数的序列… 声明在写作过程中生成式 AI 和 AI 辅助技术的使用 在准备本工作期间,作者使用 ChatGPT 改善文字的措辞和清晰度。使用该工具后,作者根据需要进行审阅和编辑,并对所发表文章承担全部责任。 CRediT 作者贡献声明 Ido Cohen:写作—审阅与编辑、写作—初稿撰写、可视化、验证、软件、项目管理、方法学、调查、形式分析、数据整理、概念化。Ronen Talmon:写作—审阅与编辑、监督、方法学、资金获取、形式分析、概念化。 利益冲突声明 作者声明没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。 Ido Cohen | Ronen Talmon
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号