Slepian与Fiedler相遇：聚焦图频谱
机器学习
2017-06-28 v2 计算机视觉与模式识别
摘要
复杂系统的研究得益于图模型及其分析。特别地，图拉普拉斯矩阵的特征分解能从局部交互中显现全局组织的性质；例如，Fiedler向量具有最小的非零特征值，并在图聚类中起关键作用。图信号处理专注于归属于图节点的信号分析。图拉普拉斯矩阵的特征分解允许定义图傅里叶变换，并将传统的信号处理操作推广到图上。在此，我们引入Slepian图信号的设计，通过在预定义子图上最大化能量集中来实现图频谱带限。我们建立了与经典拉普拉斯嵌入和图聚类的全新联系，从而赋予局部化图频率以意义。
引用
@article{arxiv.1701.08401,
title = {When Slepian Meets Fiedler: Putting a Focus on the Graph Spectrum},
author = {Dimitri Van De Ville and Robin Demesmaeker and Maria Giulia Preti},
journal= {arXiv preprint arXiv:1701.08401},
year = {2017}
}
备注
4 pages, 5 figures, submitted to IEEE Signal Processing Letters