부드러운 신호로부터 그래프 구조를 자동 학습하는 새로운 프레임워크

본 논문은 그래프 신호 처리 분야에서 “부드러운 신호”라는 가정 하에 그래프 구조 자체를 학습하는 새로운 방법론을 제시한다. 입력 데이터 X∈ℝ^{m×n}의 각 행 x_i는 그래프의 정점 i에 대응되며, 열은 동일 그래프 위에서 관측된 여러 신호를 의미한다. 기존 연구에서는 주어진 그래프 L 에 대해 tr XᵀLX 을 최소화함으로써 신호를 부드럽게 만들었지만, 그래프 자체가 알려지지 않은 경우는 거의 다루어지지 않았다. 저자는 이 역문제, 즉 부드러운 신호 집합으로부터 그래프 라플라시안 L 또는 인접 행렬 W 을 복원하는 문제를 공식화한다. 1. **문제 정의와 부드러움 항의 재해석** 부드러움 항 tr XᵀLX 은 ½∑_{i,j}W_{ij}‖x_i−x_j‖² 으로 변환된다. 여기서 Z_{ij}=‖x_i−x_j‖² 를 거리 행렬이라 하면, 부드러움 항은 ½ tr(WZ)=½‖W∘Z‖₁,₁ 와 동일하다. 즉, 거리 Z 가 작을수록 해당 엣지에 큰 가중치를 부여하도록 하는 가중 ℓ₁‑노름 형태가 된다. 이 해석은 부드러운 신호가 자연스럽게 희소한 그래프를 만든다는 직관을 수학적으로 뒷받침한다. 2. **그래프 학습 프레임워크** 일반적인 목표는 \