SF-SGL：基于线性测量的无求解器谱图学习
机器学习
2023-02-10 v1 数据结构与算法
摘要
本文提出一种高度可扩展的谱图稠化框架（SGL），用于从节点电压和电流等线性测量中学习电阻网络。我们证明所提出的图学习方法等价于求解以类拉普拉斯精度矩阵为特征的经典图 Lasso 问题。我们证明给定 对电压和电流测量，即可恢复能良好保持原图有效电阻距离的稀疏 节点电阻网络。此外，所学图还保留原图的结构（谱）性质，可潜在用于许多电路设计与优化任务。为获得更高可扩展性，我们还提出一种无求解器方法（SF-SGL），利用图的多级谱近似，并将待学习的整个图谱灵活分解为多个不同特征值簇（频带）。这种无求解器方法使我们更有效地识别对降低各类谱嵌入失真最关键的边。通过对多种真实世界测试用例的广泛实验，我们表明该方法在学习稀疏电阻网络时高度可扩展且不牺牲解质量。我们还引入一种数据驱动的 EDA 算法用于无向量功率/热完整性验证，以利用少量电压/温度测量估计整个芯片的最坏情况电压/温度（梯度）分布。
引用
@article{arxiv.2302.04384,
title = {SF-SGL: Solver-Free Spectral Graph Learning from Linear Measurements},
author = {Ying Zhang and Zhiqiang Zhao and Zhuo Feng},
journal= {arXiv preprint arXiv:2302.04384},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2104.07867