基于 Koopman 引擎学习时变图信号
机器学习
2025-11-11 v1 信号处理
摘要
各种实际数据，如海洋测量（例如由分布式传感器收集的温度、多个无人机轨迹）可自然表示为图，常常呈现非欧几里得结构。这些图表示可能随时间演变，形成时变图。有效地建模和分析此类动态图数据对于预测图的演化和重建缺失图数据等任务至关重要。本文提出了一种基于 Koopman 自动编码器（KAE）的框架来处理时变图数据。具体而言，我们假设存在隐藏的非线性动力学系统，其中状态向量对应于时变图信号的图嵌入。为了捕捉演化中的图结构，图数据首先通过图嵌入转换为向量时间序列，代表有限维潜在空间中的结构信息。在该潜在空间中，应用 KAE 来学习支配图特征随时间演化的底层非线性动力学，从而实现预测和重建任务。
关键词
引用
@article{arxiv.2511.06493,
title = {Learning Time-Varying Graph Signals via Koopman},
author = {Sivaram Krishnan and Jinho Choi and Jihong Park},
journal= {arXiv preprint arXiv:2511.06493},
year = {2025}
}