時変動グラフ上の信号情報処理：大規模時空間センシングデータのスパース表現

时变图上的信号信息处理：大规模时空传感数据的稀疏表示

• 批准号: 20J13647
• 负责人: 山田 宏樹
• 金额: $ 1.34万
• 依托单位: Tokyo University of Agriculture and Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-24 至 2022-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20J13647/
• 关键词: グラフ学習; グラフ信号処理; サンプリング

本年度はグラフ学習手法とグラフのエッジサンプリング手法に取り組んだ．研究成果の概要を以下にまとめる．1. 多重解像度グラフ学習: 時変グラフ学習は多変量時系列データから時間変化するグラフを学習する手法である．時変グラフ学習の従来法は，時変グラフの先見情報を活用することで精度良くグラフを推定する．しかし，これらの手法はグラフに対する先見情報がない場合には対応できない．本年度は時変グラフの時間多重解像度表現を利用した時変グラフ学習手法に取り組んだ．結果として，先見情報を利用することなく，従来手法と同等あるいは精度よくグラフを推定することが可能となった．本研究成果はIEEE Access誌に掲載された．2. グラフ学習情報量規準: グラフ学習手法を実問題に応用する多くの場合，真のグラフに対する情報は未知であるため，グラフ学習のハイパーパラメータを選択は経験によるものであった．本年度はグラフ学習のモデル選択手法に取り組んだ．グラフ学習の問題を生成モデルとして再定式化し，モデルエビデンスを計算することで，グラフ学習においてモデル選択を可能にした．本研究成果はICASSP2022に採択が決定している．3. 辺の平滑性に基づくグラフのエッジサンプリング: 不要なグラフの辺を削除する問題，いわゆるグラフのエッジサンプリングは機械学習，信号処理分野で重要な課題である．本研究はグラフをライングラフに変換し，平滑性に基づくサンプリング手法を適用することで，辺の平滑性を保ったままエッジサンプリングを行うことに成功した．この研究成果はICASSP2022に採択が決定している．

This year, the group of learning methods and techniques is selected. Summary of research results: 1. Multiple resolution learning: time to learn multiple time series: time to learn. Time to learn the method, time to learn the foresight of information use, accuracy, good quality, estimation. This is the first time I've ever seen such a thing. This year's multi-resolution performance of time and time changes have been utilized to select groups of learning techniques. The first step is to make sure that the information is accurate. The results of this study were published in IEEE Access Journal. 2. The amount of learning information is accurate: the learning method is used in many cases, and the information is unknown. The learning method is used in many cases. This year, we will learn how to select the best way to choose the best way. The problem of learning is generated and reformulated. The problem of learning is calculated and reformulated. The results of this study are based on ICASSP2022. Smoothness of the edge of the base layer: do not remove the edge of the problem, the middle layer of the base layer is mechanical learning, signal processing separation is an important issue. This study is based on the study of the smoothness of the base, and the smoothness of the base. The results of this research were determined by ICASSP2022.

项目成果

Design of Graph Signal Sampling Matrices for Arbitrary Signal Subspaces

• DOI: 10.1109/icassp39728.2021.9414240
• 发表时间: 2021-06
• 期刊: ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
• 作者: Junya Hara;Koki Yamada;Shunsuke Ono;Yuichi Tanaka

Edge Sampling of Graph Based on Edge Smoothness

基于边缘平滑度的图边缘采样

• 发表时间: 2022
• 作者: K. Yanagiya;Koki Yamada;Y. Katsuhara;T. Takatani;Y. Tanaka
• 通讯作者: Y. Tanaka

Node Clustering of Time-Varying Graphs Based on Temporal Label Smoothness

• 发表时间: 2021-12
• 期刊: 2021 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC)
• 作者: Katsuki Fukumoto;Koki Yamada;Yuichi Tanaka

Graph Learning Information Criterion

图学习信息准则

• DOI: 10.1109/icassp43922.2022.9746309
• 发表时间: 2022
• 期刊: Proc. IEEE ICASSP 2022
• 作者: Yamada Koki;Tanaka Yuichi
• 通讯作者: Tanaka Yuichi

Learning Graphs with Multiple Temporal Resolutions

学习具有多个时间分辨率的图

• 发表时间: 2020
• 作者: Koki Yamada;Yuichi Tanaka
• 通讯作者: Yuichi Tanaka