Graph Bispectrum for Nonlinear Mode Interactions

Sintesi Tecnica: Bispettro di Grafo per Interazioni di Modi Non Lineari

Definizione del Problema
L'elaborazione di segnali su grafi (GSP - Graph Signal Processing) convenzionale si basa fortemente sulle statistiche del secondo ordine, come la covarianza e gli spettri di potenza del grafo, per analizzare segnali definiti su domini irregolari (ad es. reti sociali, array di sensori, connettività cerebrale). Sebbene efficaci per i sistemi lineari, questi metodi non riescono a catturare le interazioni non lineari tra i modi del grafo, che sono prevalenti nei sistemi dinamici complessi, in particolare nelle neuroscienze. L'analisi spettrale classica di ordine superiore (ad es. bispettro e bicoerenza) rileva con successo l'accoppiamento di fase non lineare nei dati di serie temporali sfruttando la struttura additiva delle frequenze di Fourier. Tuttavia, estendere questi metodi ai grafi è non banale perché le frequenze del grafo (autovalori del Laplaciano) sono generalmente irregolari e mancano di una regola di addizione naturale, impedendo l'applicazione diretta delle formulazioni classiche del bispettro. Ciò crea un vuoto nella GSP: non esiste un quadro stabilito per l'analisi delle interazioni di ordine superiore tra i modi del grafo.

Metodologia
Gli autori propongono una formulazione di Bispettro di Grafo per caratterizzare le interazioni del terzo ordine nei segnali su grafo. La metodologia procede come segue:

1. Definizione del Tensore del Bispettro di Grafo:
   Il documento definisce il tensore del bispettro di grafo $B_{ijk} = E[\hat{x}_i \hat{x}_j \hat{x}_k]$, dove $\hat{x}$ rappresenta i coefficienti della Trasformata di Fourier sul Grafo (GFT). A differenza dei bisespettri classici che si basano sulla somma delle frequenze ($f_1 + f_2$), le interazioni tra i modi del grafo sono governate dal prodotto elemento per elemento degli autovettori (armoniche del grafo). L'interazione tra i modi $i$ e $j$ che contribuisce al modo $k$ è quantificata dai coefficienti $C_{ijk}$, derivati dalla proiezione del prodotto degli autovettori $u_i \odot u_j$ sull'autovettore $u_k$.

   • Validazione Teorica: Gli autori dimostrano che per un grafo a ciclo (dove gli autovettori corrispondono alla base di Fourier discreta), i coefficienti di interazione $C_{ijk}$ sono non nulli solo se $k \equiv i + j \pmod N$, recuperando così la struttura di accoppiamento delle frequenze classica.

2. Bicoerenza di Grafo Compatta:
   Riconoscendo che il tensore completo del bispettro è ad alta dimensionalità ($N^3$) e difficile da interpretare, gli autori introducono una Bicoerenza di Grafo Compatta ($\gamma_k$). Questa è derivata:

   • Considerando il segnale quadratico $x \odot x$.
   • Proiettando questo segnale sulla base della trasformata di Fourier del grafo per ottenere una rappresentazione modo-dipendente delle interazioni non lineari.
   • Definendo una statistica compatta $b_k = E[\hat{x}_k \widehat{(x^2)}_k]$ e normalizzandola per ottenere $\gamma_k$.
     Ciò produce una misura a bassa dimensionalità ($N$), invariante di scala, che quantifica l'allineamento tra un modulo specifico del grafo e la sua componente di interazione non lineare.

3. Misura Globale:
   Viene definita anche una Energia Bispettrale di Grafo Normalizzata come misura scalare globale della forza di interazione di ordine superiore attraverso l'intero grafo.

Contributi Chiave

• Formulazione Teorica: Il documento stabilisce una definizione rigorosa del tensore del bispettro di grafo e della bicoerenza compatta, colmando il divario tra l'analisi spettrale classica di ordine superiore e la GSP.
• Proprietà Statistiche: Gli autori dimostrano che le misure proposte svaniscono per i segnali su grafo gaussiani a media nulla (Proprietà 1), rendendoli indicatori sensibili di non linearità e non gaussianità. Dimostrano inoltre l'invarianza di scala.
• Interpretazione Dinamica: Il framework fornisce un'interpretazione dinamica in cui l'evoluzione di un modo del grafo dipende non solo dalla diffusione lineare, ma anche dalle interazioni non lineari guidate da altri modi, modellate tramite un analogo grafico dei sistemi di reazione-diffusione.
• Rappresentazione Pratica: L'introduzione della bicoerenza compatta riduce la complessità dell'analisi di ordine superiore in una forma gestibile, interpretabile ed efficiente dal punto di vista computazionale.

Risultati Sperimentali
Il metodo proposto è stato validato su due dataset:

1. Grafi Casuali Sintetici:

   • Gli esperimenti hanno confrontato segnali gaussiani lineari con segnali non lineari generati tramite interazioni quadratiche su un grafo di Erdős-Rényi a 32 nodi.
   • Risultato: Mentre gli spettri di potenza del grafo (statistiche del secondo ordine) erano quasi identici per entrambi i tipi di segnale, la bicoerenza compatta del grafo e l'energia bispettrale normalizzata distinguevano chiaramente i segnali non lineari, mostrando valori significativamente più alti in tutti i modi.

2. Dati EEG Reali (Database CHB-MIT):

   • Il metodo è stato applicato a registrazioni EEG scalpari da pazienti con epilessia pediatrica, confrontando i periodi ictali (crisi) con quelli interictali (non crisi).
   • Risultato: L'attività ictale ha mostrato un aumento sostanziale della potenza spettrale del grafo (coerente con la sincronizzazione nota). Fondamentalmente, anche la bicoerenza del grafo e l'energia bispettrale normalizzata erano significativamente elevate durante le crisi rispetto ai periodi interictali.
   • Implicazione: Ciò indica che la dinamica delle crisi comporta non solo un aumento dell'energia, ma anche un potenziamento della coordinazione non lineare tra i modi del grafo, una caratteristica invisibile alla standard analisi dello spettro di potenza.

Significatività e Rivendicazioni
Il documento sostiene che l'approccio proposto fornisce uno strumento interpretabile ed efficiente dal punto di vista computazionale per l'analisi delle interazioni di ordine superiore nei segnali su grafo. Dimostra che l'analisi spettrale di ordine superiore su grafo fornisce informazioni complementari ai metodi convenzionali. Nello specifico, gli autori mostrano che:

• Le dipendenze non lineari possono essere rilevate anche quando le statistiche del secondo ordine sono simili.
• Nel contesto dell'EEG, l'attività di crisi è caratterizzata da un potenziamento della coordinazione di ordine superiore (accoppiamento non lineare) oltre al semplice aumento di potenza.
• Il framework generalizza con successo l'analisi del bispettro a domini non euclidei sostituendo l'addizione delle frequenze con le interazioni tra armoniche basate sugli autovettori.

Gli autori concludono che questo lavoro pone le basi per applicazioni future, come l'integrazione di caratteristiche bispettrali di grafo nelle Reti Neurali su Grafo (GNN) per catturare interazioni non lineari di ordine superiore, sebbene ciò sia presentato come una direzione per il lavoro futuro piuttosto che come un risultato attuale.