희소 데이터를 위한 스펙트럴 연결성 사전분포 그래프 학습
Graph Learning with Spectral Connectivity Priors for Scarce Data
희소 데이터로부터 희소 그래프를 학습하는 것은 실용적으로 중요하지만 도전적이다. 익스팬더(expander) 유사 그래프가 보여 주는 국소 희소성과 강한 전역 연결성의 바람직한 결합에 영감을 받아, 라플라시안 스펙트럴 사전분포 계열을 통합해 전역 연결성을 명시적으로 촉진하는 spectral connectivity-regularized graph learning(SCoGL) 프레임워크를 제안한다. 구체적으로 SCoGL은 목표 인접 행렬 $\mathbf{W}$에 대한 combinatorial-Laplacian-constrained graphical lasso(GLASSO) 목적함수에, 라플라시안 고유값으로부터 계산한 일반적인 연결성 사전분포를 더한다. 여러 대표적 연결성 사전분포에 대한 그래디언트를 유도하고, $\mathbf{W}$를 효율적으로 최적화하기 위해 Armijo 백트래킹을 사용하는 투영 경사하강법(PGD) 알고리즘을 개발한다. 실험 결과, 제안한 SCoGL 변형들이 그래프 복원을 개선하며, 신호 관측이 희소할 때 그래프 신호 노이즈 제거와 같은 하류 과제에서도 성능을 향상시킨다.