大規模グラフ上データのためのサンプリング理論の構築とその応用

点击翻译按钮获取中文摘要

グラフ信号は決定的モデル，ランダムモデル，スパースモデルに大別される．従来のグラフ信号のサンプリングでは，それらの特別な場合として，帯域制限モデルが考えられていた．実際に想定されるモデルはこれに限らないため，実応用に現状遠く及ばない．そこで，1)実データに即した様々なグラフ信号モデルに柔軟に適応できるように拡張した一般化グラフサンプリング定理の構築について取り組み，遂行した．具体的には，信号処理分野のトップ論文誌（IEEE Transaction on Signal Processing）にランダムモデルのための一般化サンプリング定理に関する論文が採録された．また，同分野の新興のオープンアクセス論文誌（IEEE Open Journal of Signal Processing）に，ここまでの成果を多チャネルシステムに拡張した論文が採録された．多チャネルサンプリングはスパースモデルを表現するために必要なモデルとなる．上述の成果と前年度までの事前検討と合わせ，表現可能なグラフ信号モデルはほぼ網羅したといえる．当該理論を確立したことにより，実世界に遍在するIoTデータに対して効率的に解析可能するための基盤が整備できた．今後は，2)当該理論のセンサネットワーク，スマートグリッド，グラフニューラルネットワークへの応用に取り組む．具体的には，上記のようなモデルベースのサンプリングおよび復元を凸最適化問題として定式化し，グラフニューラルネットワークと合成し実データからグラフ信号モデルを学習する．そして，データ駆動型とモデルベースの両者の利点（実データへの適応可能性とグラフ信号のドメイン知識）を活用したend-to-endのサンプリングパラダイムを構築する．そして，センサネットワークやスマートグリッドに応用し，当該理論の有効性を検証する．