시간‑정점 결합 정상성 기반 그래프 신호 처리

본 논문은 그래프 기반 신호 처리(GSP)가 비정형 데이터(소셜 네트워크, 교통망, 센서 네트워크 등)에서 큰 성공을 거두었음에도, 동적인 시스템에 대해 시간 차원을 무시하는 한계를 지적한다. 기존 방법은 각 시간 스냅샷을 독립적으로 처리하거나 전체 평균을 취해 시간 정보를 손실한다. 이러한 문제를 해결하고자 저자들은 시간‑정점(시간‑그래프) 신호의 통계적 분석을 수행한다. 먼저, 그래프 라플라시안 L_G와 그 고유벡터 행렬 U_G를 이용해 그래프 푸리에 변환(GFT)을 정의하고, 시간 차원에 대해서는 전통적인 푸리에 변환(DFT) U_T를 사용한다. 두 변환을 크로네커 곱 U_J = U_T ⊗ U_G 로 결합해 공동 푸리에 변환(JFT)을 도입한다. JFT는 시간‑정점 신호 X ∈ ℝ^{N×T} 를 주파수 도메인으로 변환하고, 역변환은 U_J^* 를 곱해 수행한다. 다음으로, 정상성 개념을 확장한다. 정의 1은 각 정점별 시간 와이드센스 정상성(TWSS)을, 정의 2는 각 시간별 정점 와이드센스 정상성(VWSS)을 제시한다. 두 정의는 각각 평균이 시간(또는 정점) 상수이며, 공분산이 각각 DFT(또는 라플라시안)와 대각화된다는 조건을 갖는다. 이후 정의 3에서 “Jointly Wide‑Sense Stationary(JWSS)”를 제시한다. JWSS는 (1) 평균이 결합 라플라시안 L_J = L_T ⊗ I_N + I_T ⊗ L_G 의 영공간에 속하고, (2) 공분산 Σ_x 가 결합 푸리에 기저 U_J 로 동시에 대각화된다는 두 조건을 만족한다. 정리 1은 JWSS와 위 두 조건이 동치임을 증명하고, 정리 2는 JWSS가 자동으로 TWSS와 VWSS를 만족함을 보인다. 정리 3은 JWSS 신호에 결합 필터 f(L_J)를 적용하면 여전히 JWSS가 유지되며, 새로운 JPSD는 기존 JPSD와 필터 응답의 제곱 곱으로 변한다는 필터링 불변성을 제시한다. 이론적 토대를 바탕으로 두 가지 실용적 구성요소가 제안된다. 첫째, JPSD를 추정하기 위한 스케일러블 방법이다. 저자들은 샘플링된 신호의 공분산을 시간‑정점 도메인에서 추정하고, 이를 빠른 푸리에 변환(FFT)과 그래프 푸리에 변환을 결합해 O(NT log N + NT log T) 복잡도로 구현한다. 둘째, 추정된 JPSD를 이용한 Wiener 최적화 프레임워크이다. 이 프레임워크는 다음과 같은 일반적인 역문제에 적용 가능하다: (i) 노이즈 제거(denoising), (ii) 반감독 학습(semi‑supervised learning), (iii) 선형 연산 역전(linear inverse problems). 최적화는 JPSD를 가중치로 하는 최소 평균제곱오차(MMSE) 문제로 변환되며, 폐쇄형 해를 갖는다. 실험에서는 스위스 알프스 지역의 실제 기상 데이터(온도, 습도 등)를 사용한다. 관측소가 제한된 상황에서 전체 지역의 기상 변수를 복원하는 과제를 설정하고, JWSS 기반 Wiener 필터와 기존 방법(시간‑전용 ARMA, 그래프‑전용 Tikhonov 정규화, 단순 평균 보간)을 비교한다. 결과는 JWSS가 평균 제곱 오차(MSE)를 30% 이상 감소시키며, 특히 계절성·일교차와 같은 저주파 변동과 급격한 날씨 변화 모두를 정확히 포착한다는 점을 보여준다. 결론적으로, 이 논문은 시간‑정점 결합 정상성을 통해 GSP와 전통적인 시계열 분석을 자연스럽게 통합하고, 이론적 정당성과 실험적 검증을 동시에 제공한다. 제안된 프레임워크는 대규모 네트워크에도 적용 가능하며, 비정상성 검출, 다중 스케일 분석, 그래프 신경망의 사전 지식 제공 등 다양한 응용 분야에 확장될 잠재력을 가진다.