부분 그래프 필터 학습: 대수와 성능 위험 상한
Filter Learning for Subgraphs: Algebras and Performance Risk Bounds
스펙트럼 정보를 활용하는 그래프 신호 처리 작업은 일반적으로 전체 그래프 위상에 접근할 수 있다고 가정하지만, 실제로는 이를 이용할 수 없는 경우가 많다. 우리는 부분 그래프 필터 학습(subgraph filter learning, SFL)을 위한 체계적 프레임워크를 제안하며, 여기서 부분 그래프 기반 연산자가 부분 관측 하에서 주변(ambient) 그래프 필터를 근사한다. SFL을 통계적 학습 문제로 공식화하며, 최적의 부분 그래프 연산자는 본질적으로 데이터에 의존한다. 이러한 연산자를 직접 추정하는 어려움을 해결하기 위해, 거리 인식(distance-aware) 라플라시안(Laplacian) 구성에 기반한 부분 그래프 필터 대수를 개발하여, 효과적인 근사를 위한 구조화되고 제어 가능한 필터 클래스를 정의한다. 또한 최소제곱 손실 하에서 성능 위험 상한을 확립하여, 학습된 연산자가 제한된 주변 매핑을 얼마나 잘 근사하는지 정량화한다. 실제 데이터셋에 대한 실험은 SFL 작업에서 제안된 대수 모델이 다항식 필터, 분포 비의존(distribution-agnostic) 연산자, 그리고 데이터로부터 기저 구조를 복원하려는 직접 수치 필터 학습 기준선보다 일관되게 우수한 성능을 보임을 나타낸다.