从带有隐藏节点的平滑和静态图信号中学习时变图

摘要 在许多图信号处理（GSP）应用中，从图上观测到的信号中学习图结构是一项重要任务。现有方法侧重于推断静态图，通常假设所有节点都可用。然而，这些方法忽略了这样一种情况，即只有一部分节点可以从时空测量中获得，而其余节点由于特定应用的限制从未被观测到，从而导致时变图估计精度急剧下降。为了解决这个问题，我们提出了一个考虑隐藏节点存在的框架来识别时变图。具体来说，我们假设图信号在图上是平滑和静止的，并且只允许少量的边在两个连续的图之间发生变化。基于这些假设，我们提出了一个具有挑战性的时变图推理问题，该问题通过估算具有图拉普拉奇形式的图移动算子矩阵来模拟隐藏节点的影响。此外，我们还强调了不同图之间相似的边缘模式（列稀疏性）。最后，我们在合成数据和实际数据上对我们的方法进行了评估。实验结果表明，与现有的基准方法相比，我们的方法更具优势。