自适应 pth 次方图神经网络
机器学习
2024-11-26 v2 信号处理
摘要
在脉冲噪声和缺失观测的情况下，对时变图信号进行精确的在线预测在诸多应用领域中具有挑战性。我们提出了自适应最小 pth 次方图神经网络（Adaptive Least Mean pth Power Graph Neural Networks, LMP-GNN），这是一个结合自适应滤波和图神经网络用于图信号在线估计的通用框架。LMP-GNN 保留了自适应滤波在处理噪声和缺失观测方面的优势，同时具备在线更新能力。集成于 LMP-GNN 的图神经网络能够在运行时训练和更新滤波器参数，而非依赖于先前方法中预先设定的滤波器参数，从而输出更精确的预测结果。LMP-GNN 的自适应更新方案遵循 l_p 范数优化的解，基于最小离散准则，能够在脉冲噪声下对时变图信号实现稳健估计。本文还提供并分析了 LMP-GNN 的一个特例，即 Sign-GNN。实验结果表明，在四种不同噪声分布下的两个真实世界数据集（温度图和交通图）上，所提出的 LMP-GNN 在有效性和鲁棒性方面均优于现有方法。
引用
@article{arxiv.2405.04111,
title = {Adaptive Least Mean pth Power Graph Neural Networks},
author = {Yi Yan and Changran Peng and Ercan E. Kuruoglu},
journal= {arXiv preprint arXiv:2405.04111},
year = {2024}
}