Graph Distribution-valued Signals: A Wasserstein Space Perspective

Titolo: Segnali a Valore Distributivo su Grafi: Una Prospettiva dallo Spazio di Wasserstein

1. Problema e Motivazione

Il Graph Signal Processing (GSP) classico rappresenta i segnali come vettori, dove ogni entry corrisponde al valore di un nodo. Sebbene ampiamente utilizzato, questo approccio presenta due limitazioni fondamentali che ne riducono l'applicabilità in scenari reali:

1. Assunzione di osservazione sincrona: Il GSP classico presuppone che i segnali di tutti i nodi siano osservati simultaneamente per applicare operatori come la Trasformata di Fourier su Grafo (GFT). Nella pratica, la raccolta dati è spesso asincrona o incompleta.
2. Requisito di corrispondenza stretta: I filtri grafici sono definiti come mappature vettore-vettore che richiedono una corrispondenza uno-a-uno rigorosa tra segnali sorgente e target (es. $F(x_i) \approx y_i$). Questo fallisce in presenza di sfasamenti temporali, sovrapposizioni, pattern periodici o dati mancanti, tipici di applicazioni come la previsione di serie temporali.

Le metodologie statistiche esistenti introducono casualità tramite variabili aleatorie, ma operano ancora su campioni o proprietà statistiche predefinite, mantenendo la rappresentazione vettoriale di base.

2. Metodologia: Il Framework GDS

Gli autori propongono un nuovo paradigma: i Segnali a Valore Distributivo su Grafi (GDS - Graph Distribution-Valued Signals). Invece di trattare il segnale come un vettore deterministico, lo modellano come una distribuzione di probabilità nello Spazio di Wasserstein.

Concetti Chiave:

• Spazio di Wasserstein ($P_p(\mathbb{R}^N)$): Lo spazio degli elementi è l'insieme delle misure di probabilità su $\mathbb{R}^N$. La distanza tra due segnali (distribuzioni) è misurata dalla distanza di Wasserstein ($W_p$), che quantifica il "lavoro" minimo necessario per trasportare una distribuzione nell'altra.
• Generalizzazione: Un segnale grafico classico (vettore $x$) è un caso particolare di GDS, rappresentato come una misura di Dirac ($\delta_x$). Questo garantisce che il nuovo framework includa rigorosamente il GSP classico.
• GDS-Transformata di Fourier (GDS-FT): Estensione della GFT classica. Per una distribuzione $\mu$, la GDS-FT è la misura spinta in avanti (pushforward measure) tramite la matrice degli autovettori del grafo ($U_G$): $\hat{\mu} = (U_G^\top)_\# \mu$. Se $\mu$ è una misura di Dirac, si recupera la GFT classica.
• Filtraggio Convolutivo GDS: Un filtro grafico $F_G$ (polinomio dell'operatore di shift) agisce sulla distribuzione intera tramite pushforward: $F_G(\mu) = (F_G)_\# \mu$. Questo permette di trasformare non solo il valore medio del segnale, ma anche la sua variabilità (covarianza) e le dipendenze statistiche.

Apprendimento del Filtro (GDS-Cop):

Per l'apprendimento dei filtri, gli autori propongono un approccio basato su Coplule (Copula):

1. Si stimano le distribuzioni marginali per ogni nodo (es. distribuzioni Gaussiane $N(m_i, \sigma_i^2)$) dai dati locali.
2. Si costruisce una distribuzione congiunta $\mu_{\theta, \kappa}$ combinando le marginali con una copula Gaussiana (parametrizzata da una matrice di correlazione $R$) per catturare le dipendenze tra nodi.
3. L'obiettivo è trovare un filtro $F_G$ e una densità di copula $c_\kappa$ che minimizzino la distanza di Wasserstein tra la distribuzione filtrata e una distribuzione target $\mu^*$.
4. Il problema di ottimizzazione viene risolto tramite minimizzazione alternata su $F_G$ e $R$, utilizzando la forma chiusa della distanza di Wasserstein per distribuzioni Gaussiane.

3. Contributi Principali

1. Framework Teorico: Introduzione del concetto di GDS, che modella i segnali come distribuzioni di probabilità nello spazio di Wasserstein, codificando naturalmente incertezza e stocasticità.
2. Dizionario Concettuale: Stabilimento di una mappatura sistematica tra i concetti fondamentali del GSP classico (GFT, convoluzione, filtri) e le loro controparti GDS, dimostrando che le definizioni classiche sono recuperate come casi speciali.
3. Algoritmo di Apprendimento: Sviluppo di un algoritmo di apprendimento del filtro grafico (GDS-Cop) che opera direttamente nello spazio delle distribuzioni, senza richiedere allineamento temporale perfetto o osservazioni complete.
4. Validazione Sperimentale: Dimostrazione empirica della superiorità del metodo in scenari di dati irregolari.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset reale di casi COVID-19 (58 contee della California) per compiti di previsione.

• Setup: Confronto tra GDS-Cop e metodi classici (GSP-LS, GSP-RLS, GSP-LSCM, GSP-LEV).
• Robustezza: Sono stati testati due scenari di stress:
  • Masking (Mascheramento): Osservazioni incomplete (dati mancanti casuali).
  • Shuffling (Rimescolamento): Permutazione casuale dei dati temporali all'interno delle finestre di training.
• Risultati:
  • I metodi basati su vettori (GSP-LS, RLS, LSCM) hanno subito un degrado significativo delle prestazioni in presenza di mascheramento e rimescolamento, a causa della loro dipendenza da osservazioni complete e allineamento temporale stretto.
  • GDS-Cop ha mantenuto prestazioni robuste e stabili in entrambi gli scenari, grazie alla natura distributiva che non richiede corrispondenze punto-a-punto.
  • GDS-Cop ha ottenuto l'errore quadratico medio relativo (RSE) più basso, specialmente con finestre temporali più ampie, superando anche metodi avanzati come GSP-LEV.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti teorico e pratico nel campo dell'elaborazione dei segnali su grafi:

• Gestione dell'Incertezza: Permette di trattare l'incertezza intrinseca dei dati (rumore, variabilità) come una proprietà primaria del segnale, piuttosto che come un errore da mitigare.
• Flessibilità Operativa: Rimuove la necessità di dati sincronizzati e completi, rendendo il framework applicabile a scenari del mondo reale complessi (sensori asincroni, dati mancanti, allineamento imperfetto).
• Generalizzazione: Offre una base matematica rigorosa per estendere le tecniche di GSP esistenti a contesti probabilistici, aprendo la strada a nuove applicazioni in previsione, classificazione e controllo di sistemi complessi.

In sintesi, il passaggio dallo spazio vettoriale allo spazio di Wasserstein trasforma il GSP da un approccio deterministico a uno probabilistico, preservando la struttura del grafo mentre si gestisce dinamicamente la stocasticità dei dati.