A Unified Fractional Spectral Framework for Spatiotemporal Graph Signals: Bi-Fractional Transform and Geodesic Coupling

1. 연구 배경 및 문제 정의 (Problem)

• 비유클리드 도메인의 신호 처리: 환경 센서 네트워크, 소셜 네트워크, 뇌 연결성 등 실제 세계의 신호는 복잡한 그래프 (비유클리드 토폴로지) 위에 정의되는 경우가 많습니다. 이를 처리하기 위해 그래프 신호 처리 (GSP) 가 발전했으나, 기존의 그래프 푸리에 변환 (GFT) 은 고정된 정수 차수의 스펙트럼 모드에 의존하여 다중 스케일 및 이질적인 구조에 적응하는 데 한계가 있습니다.
• 기존 분수 변환 (Fractional Transform) 의 한계:
  • 2D-GFRFT (2 차원 그래프 분수 푸리에 변환): 기존 방법은 카르테시안 곱 (Cartesian product) 그래프의 두 요인 (factor) 그래프에 **공유된 단일 분수 차수 (shared fractional order)**를 적용합니다. 이는 공간과 시간 (또는 다른 두 차원) 이 서로 다른 특성을 가질 때 (예: 하나는 매끄럽고 다른 하나는 급격한 국소 변동을 보임) 표현력이 제한되고 스펙트럼 에일리어싱이 발생할 수 있습니다.
  • 시간 차원의 기저 모호성: 시공간 신호 분석 시, 시간 차원을 모델링하는 데 '그래프 유도 분수 변환 (Graph-induced)'과 '이산 분수 푸리에 변환 (DFRFT)' 두 가지 유효한 기저가 존재합니다. 이 두 기저는 모두 단위성 (unitarity) 을 가지지만 서로 다른 스펙트럼 좌표계를 형성합니다. 기존 방법들은 이를 단순히 선형 혼합하거나 선택하는 데 그쳤는데, 이는 단위성을 깨뜨리거나 불안정한 변환을 초래할 수 있습니다.
• 학습 기반 필터링의 비효율성: 분수 차수를 최적화하기 위해 격자 탐색 (grid search) 을 사용하는 기존 방법은 차수가 증가함에 따라 계산 비용이 기하급수적으로 늘어납니다.

2. 제안된 방법론 (Methodology)

저자들은 이 문제를 해결하기 위해 통일된 분수 스펙트럼 프레임워크를 제안하며, 크게 세 가지 핵심 기술로 구성됩니다.

A. 2D-GBFRFT (이분수 그래프 푸리에 변환)

• 개념: 카르테시안 곱 그래프의 두 요인 그래프 (예: 공간 그래프와 시간 그래프) 에 **서로 독립적인 분수 차수 ($\alpha_1, \alpha_2$)**를 할당합니다.
• 특징:
  • 기존 2D-GFRFT 의 공유 차수 제약을 완화하여 이질적인 스펙트럼 특성을 가진 신호에 대해 차원별 적응성을 제공합니다.
  • 분리 가능성 (separability), 단위성 (unitarity), 가역성 (invertibility) 을 유지하며, 행렬 텐서 곱 형태로 효율적으로 계산 가능합니다.

B. GC-GFRFT (지오데식 결합 그래프 분수 푸리에 변환)

• 문제 해결: 시간 차원에서 '그래프 유도 기저'와 'DFRFT 기저' 사이의 불일치를 해결합니다.
• 기하학적 접근: 두 단위 연산자 (unitary operators) 를 유클리드 공간에서 선형적으로 보간하는 대신, **단위군 (Unitary Group) 위의 리만 매니폴드 (Riemannian manifold)**를 따라 **주 지오데식 (principal geodesic)**을 따라 결합 경로를 구성합니다.
• 수식: 결합 매개변수 $\lambda \in [0, 1]$에 대해 $F^{(\lambda; \beta)}_{t, GC} = F^\beta_{G2} \exp(\lambda \log(W_t))$ 형태로 정의됩니다. 여기서 $W_t$는 두 기저 간의 상대적 변환 행렬입니다.
• 장점:
  • 모든 $\lambda$에 대해 **단위성 (Unitarity)**이 보장되어 에너지 보존이 유지됩니다.
  • 닫힌 형태의 역변환 (closed-form inverse) 을 가지며, $\lambda=0$일 때 2D-GBFRFT, $\lambda=1$일 때 JFRFT(기존 결합 변환) 로 귀결됩니다.

C. 가변적 위너 필터링 및 하이브리드 최적화

• 학습 프레임워크: 제안된 GC-GFRFT 를 기반으로 차분 가능한 (differentiable) 위너형 필터링 프레임워크를 구축했습니다.
• 최적화 전략:
  • 분수 차수 ($\alpha, \beta$) 와 스펙트럼 필터 계수: 데이터로부터 **엔드 - 투 - 엔드 (end-to-end)**로 경사 하강법 (Gradient Descent) 을 통해 학습합니다.
  • 결합 매개변수 ($\lambda$): 구조적 정규화자 (structural regularizer) 로 간주하여, coarse grid search 를 통해 고정된 후 학습 과정에서 업데이트되지 않도록 합니다.
• 효율성: 텐서 곱 구조와 지수/로그 연산의 대각선 형태를 활용하여, 전체 크기의 크로네커 행렬을 명시적으로 생성하지 않고도 효율적인 전향/역방향 연산을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 2D-GBFRFT 제안: 카르테시안 곱 그래프에서 두 요인 그래프에 독립적인 분수 차수를 부여하는 분리 가능 변환을 제안하여, 이질적인 시공간 신호 모델링의 유연성과 정확도를 높였습니다.
2. GC-GFRFT 도입: 단위성 매니폴드 위의 지오데식 결합을 통해 그래프 유도 기저와 DFRFT 기저를 통합했습니다. 이는 단위성을 보장하며 닫힌 형태의 역변환을 제공하는 이론적으로 엄밀한 연결고리를 제공합니다.
3. 가변적 위너 필터링 체계: 분수 차수를 학습하고 결합 매개변수를 구조적 하이퍼파라미터로 고정하는 하이브리드 최적화 전략을 개발하여, 기존 그리드 탐색 기반 방법의 계산 효율성을 획기적으로 개선했습니다.

4. 실험 결과 (Results)

저자들은 실제 세계 데이터셋과 동적 이미지 복원 작업에서 제안된 방법을 검증했습니다.

• 시공간 그래프 신호 잡음 제거 (Denoising):
  • 데이터셋: COVID-19 전파 데이터, 해수면 온도 (SST), PM-2.5 대기 질 데이터.
  • 결과: 2D-GBFRFT 는 공유 차수를 사용하는 2D-GFRFT 보다 대부분의 설정에서 더 낮은 MSE(평균 제곱 오차) 를 기록했습니다. 또한, GC-GFRFT 는 JFRFT 및 기존 그래프 신경망 (GCN, GAT, ChebyNet) 기반 방법들과 경쟁하거나 더 우수한 성능을 보였습니다. 특히 다양한 노이즈 수준과 그래프 구성 (k-NN) 에서 일관된 성능 향상을 보였습니다.
• 동적 이미지 디블러링 및 잡음 제거:
  • 데이터셋: REDS 데이터셋 (동적 이미지).
  • 결과: GC-GFRFT 는 2D-GFRFT, 2D-GBFRFT, JFRFT 등 기존 분수 변환 기반 방법들보다 평균 MSE, PSNR, SSIM 지표에서 최상의 성능을 달성했습니다.
  • 시각적 품질: 기존 방법들 (DeepDeblur, Restormer 등) 과 비교했을 때, GC-GFRFT 는 더 선명한 에지 (edge) 와 명확한 국소 질감을 복원하며, 잔류 흐림 현상과 노이즈 아티팩트를 효과적으로 제거했습니다.

5. 의의 및 결론 (Significance)

• 이론적 통합: 이 연구는 그래프 신호 처리 분야에서 분수 차수의 적응성과 다양한 시간 기저 간의 통합을 성공적으로 이루었습니다. 특히 단위성 매니폴드 상의 지오데식 결합은 신호 처리에서 기저 변환의 안정성을 보장하는 새로운 패러다임을 제시합니다.
• 실용적 가치: 학습 가능한 분수 스펙트럼 프레임워크를 통해, 복잡한 시공간 데이터 (환경 모니터링, 의료 영상, 동적 비디오 등) 에 대해 기존 필터링 방법이나 딥러닝 기반 방법보다 효율적이고 정확한 처리가 가능함을 입증했습니다.
• 향후 전망: 현재는 두 기저 간의 보간 (interpolation) 에 국한되어 있으나, 향후 스펙트럼 외삽 (extrapolation) 지원 및 심층 그래프 신경망 (GNN) 과의 경량 통합을 통해 더욱 확장될 가능성이 있습니다.

요약하자면, 이 논문은 이질적인 시공간 그래프 신호를 처리하기 위해 독립적인 분수 차수와 기하학적으로 안정적인 결합 메커니즘을 도입함으로써, 기존 방법들의 한계를 극복하고 다양한 실제 응용 분야에서 우수한 성능을 보이는 차세대 그래프 신호 처리 프레임워크를 제시했습니다.