On the Shift Operator, Graph Frequency, and Optimal Filtering in Graph Signal Processing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Defining a sound shift operator for graph signals, similar to the shift operator in classical signal processing, is a crucial problem in graph signal processing (GSP), since almost all operations, such as filtering, transformation, prediction, are directly related to the graph shift operator. We define a set of energy-preserving shift operators that satisfy many properties similar to their counterparts in classical signal processing, but are different from the shift operators defined in the literature, such as the graph adjacency matrix and Laplacian matrix based shift operators, which modify the energy of a graph signal. We decouple the graph structure represented by eigengraphs and the eigenvalues of the adjacency matrix or the Laplacian matrix. We show that the adjacency matrix of a graph is indeed a linear shift invariant (LSI) graph filter with respect to the defined shift operator. We further define autocorrelation and cross-correlation functions of signals on the graph, enabling us to obtain the solution to the optimal filtering on graphs, i.e., the corresponding Wiener filtering on graphs and the efficient spectra analysis and frequency domain filtering in parallel with those in classical signal processing. This new shift operator based GSP framework enables the signal analysis along a correlation structure defined by a graph shift manifold as opposed to classical signal processing operating on the assumption of the correlation structure with a linear time shift manifold. Several illustrative simulations are presented to validate the performance of the designed optimal LSI filters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle