Graph Signal Processing
PulseAugur coverage of Graph Signal Processing — every cluster mentioning Graph Signal Processing across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
引入用于处理异构网络信号的新框架
研究人员引入了一种名为“图上的层论信号处理”（Sheaf-theoretic Signal Processing on Graphs, SSP）的异构网络信号处理新框架。该方法利用网络层来模拟不同的局部信号空间及其之间的变换，这与现有的图和拓扑信号处理方法有所不同。该框架包括用于分析信号不一致性的层傅里叶变换、多项式层滤波器以及基于网络节点和节点内组件的信号采样方法。在各种数据集上的实验表明，与传统的图信号处理技术相比，该方法取得了持续的改进。
-
新的子图滤波器学习框架解决了图数据不完整的问题
研究人员引入了一个名为子图滤波器学习（SFL）的新颖框架，以解决图信号处理中图拓扑信息通常不可用的挑战。该框架提出在仅可获得部分观测值的情况下，使用子图支持算子来近似环境图滤波器。该方法将SFL构建为统计学习问题，并引入了基于距离感知拉普拉斯构造的子图滤波器代数，以定义一类可控的滤波器。在真实数据集上的实验表明，该代数模型优于现有的多项式滤波器和分布无关算子等方法。
-
新方法将图变化建模为低秩更新以进行信号插值
研究人员开发了一种新颖的空间-时间信号插值方法，通过将图邻接矩阵的变化建模为低秩更新。该方法允许表示图信号处理中节点之间缓慢变化的连接关系。所提出的技术联合插值信号并估计演变的图结构，在实验中优于现有的时变图模型。
-
拓扑信号处理教程连接理论与应用
研究人员引入了拓扑信号处理（TSP）作为图信号处理（GSP）的推广，用于分析复杂数据集。TSP将信号分析从节点扩展到单纯复形内的边和更高维度的元素，从而能够研究更高阶的交互。该论文提供了一个关于TSP基础知识的易懂教程，重点介绍了使用组合霍奇拉普拉斯算子的技术，并展示了其在分析脑成像数据以揭示大脑区域之间复杂交互方面的应用。