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

Resumo Técnico: Um Framework Espectral Fracionário Unificado para Sinais de Grafos Espaço-Temporais

1. Problema e Motivação

O processamento de sinais em grafos (GSP) estende a análise espectral para domínios irregulares, como redes de sensores, interações sociais e imagens. No entanto, os métodos existentes enfrentam limitações significativas ao lidar com sinais espaço-temporais complexos:

• Rigidez na Ordem Fracionária: As transformadas fracionárias bidimensionais existentes (como a 2D-GFRFT) aplicam uma única ordem fracionária compartilhada a ambas as dimensões (espacial e temporal). Isso limita a adaptabilidade em cenários heterogêneos onde uma dimensão pode ser suave e a outra apresentar variações locais acentuadas.
• Ambiguidade de Base Temporal: Na análise temporal, há uma escolha entre bases induzidas por grafos (ex: caminho temporal) ou bases de Transformada Fracionária Discreta (DFRFT). Ambas são unitárias, mas geram sistemas de coordenadas espectrais diferentes. Interpolações euclidianas simples entre elas quebram a propriedade de unitariedade, comprometendo a preservação de energia e a reconstrução estável.
• Otimização Discreta: Métodos anteriores para otimizar parâmetros fracionários frequentemente dependem de buscas em grade (grid search), que se tornam computacionalmente proibitivas à medida que a dimensionalidade aumenta.

2. Metodologia Proposta

Os autores propõem um framework unificado baseado em duas transformadas principais e uma estratégia de filtragem diferenciável:

A. Transformada de Fourier Fracionária Bi-Fracionária em Grafos 2D (2D-GBFRFT)

• Conceito: Uma extensão da 2D-GFRFT para produtos cartesianos de grafos ($G_1 \square G_2$).
• Inovação: Atribui duas ordens fracionárias independentes ($\alpha_1$ e $\alpha_2$) aos grafos fator (espaço e tempo), permitindo um controle espectral desacoplado.
• Propriedades: Mantém a separabilidade, unitariedade e invertibilidade. Permite ajustar a representação espectral de cada dimensão de acordo com suas características estruturais específicas, melhorando a fidelidade do modelo em sinais heterogêneos.

B. Transformada de Fourier Fracionária em Grafos Acoplada por Geodésica (GC-GFRFT)

• Objetivo: Resolver a ambiguidade da base temporal unificando a base temporal induzida por grafo e a base DFRFT clássica.
• Mecanismo: Em vez de interpolação linear no espaço euclidiano (que perde a unitariedade), os autores conectam os dois operadores unitários através de uma geodésica principal na variedade unitária ($U(N)$).
• Formulação: Define-se um parâmetro de acoplamento $\lambda \in [0, 1]$.
  • $\lambda = 0$: Corresponde à base induzida por grafo.
  • $\lambda = 1$: Corresponde à base DFRFT.
  • Para $\lambda \in (0, 1)$: O operador é construído via exponenciação matricial e logaritmo principal, garantindo que a transformada permaneça unitária para qualquer $\lambda$, com uma inversa de forma fechada.

C. Filtragem de Wiener Diferenciável

• Estratégia de Otimização Híbrida:
  • As ordens fracionárias ($\alpha, \beta$) e os coeficientes do filtro espectral são aprendidos end-to-end via Descida de Gradiente (GD).
  • O parâmetro de acoplamento ($\lambda$) é tratado como um hiperparâmetro estrutural fixo (selecionado via busca grosseira), atuando como regularizador.
• Vantagem: Evita buscas em grade exaustivas e permite adaptação direta aos dados, mantendo a eficiência computacional através da implementação separável das transformadas.

3. Principais Contribuições

1. 2D-GBFRFT: Introdução de uma transformada separável com ordens fracionárias independentes, superando a limitação de ordem única da 2D-GFRFT e permitindo adaptabilidade dimensão a dimensão.
2. GC-GFRFT: Desenvolvimento de um mecanismo de acoplamento geométrico (geodésico) que une bases temporais heterogêneas preservando a unitariedade e fornecendo uma inversa analítica.
3. Framework de Aprendizado: Proposição de um esquema de filtragem de Wiener diferenciável que otimiza as ordens fracionárias e filtros espectrais via gradiente, validado em dados reais.

4. Resultados Experimentais

Os métodos foram testados em tarefas de remoção de ruído (denoising) e restauração de imagens dinâmicas (deblurring) utilizando conjuntos de dados reais (COVID-19, Temperatura da Superfície do Mar, Qualidade do Ar PM-2.5 e o dataset REDS).

• Desempenho vs. Métodos Clássicos: O GC-GFRFT superou consistentemente métodos tradicionais como Transformada Wavelet em Grafos (SGWT), filtros de mediana e ARMA, alcançando erros quadráticos médios (MSE) significativamente menores.
• Desempenho vs. Outras Transformadas Fracionárias:
  • A 2D-GBFRFT superou a 2D-GFRFT na maioria dos cenários, confirmando a vantagem de ordens independentes.
  • O GC-GFRFT obteve o melhor desempenho global ou empatou com o melhor em grande parte das configurações, demonstrando robustez em características espaço-temporais heterogêneas.
• Comparação com Redes Neurais (GNNs): O método foi competitivo com redes neurais gráficas modernas (GCN, GAT, ChebyNet) e métodos de aprendizado profundo para restauração de imagem (Restormer, NAFNet), muitas vezes superando-os em métricas de qualidade de imagem (PSNR, SSIM) com menor complexidade de treinamento (aprendizado de parâmetros de filtro vs. treinamento de rede pesada).
• Qualidade Visual: Em tarefas de deblurring dinâmico, o GC-GFRFT recuperou bordas mais nítidas e texturas locais mais claras, com menos artefatos de borrão residual em comparação com os concorrentes.

5. Significância e Conclusão

Este trabalho estabelece um marco teórico e prático no processamento de sinais em grafos ao:

• Unificar a modelagem espectral de grafos e transformadas fracionárias clássicas em um framework coerente.
• Resolver o problema da perda de unitariedade ao misturar bases temporais, utilizando geometria Riemanniana (geodésicas).
• Demonstrar que a otimização diferenciável de parâmetros espectrais fracionários é uma alternativa eficiente e poderosa às abordagens baseadas puramente em aprendizado profundo, oferecendo interpretabilidade física e alta eficiência em tarefas de restauração de sinais.

Limitações e Trabalhos Futuros:
Os autores apontam que o acoplamento geodésico atual é restrito à interpolação entre duas bases (extrapolação espectral ainda não suportada) e que o parâmetro $\lambda$ não é aprendido conjuntamente. Futuras pesquisas visam estender o mecanismo para extrapolação e integrar módulos GC-GFRFT diferenciáveis em redes neurais gráficas profundas como camadas espectrais leves.