그래프 에지 공간에서 흐름 평활화와 잡음 제거

본 논문은 그래프 신호 처리(GSP) 분야에서 아직 충분히 다루어지지 않은 **에지(간선) 위에 정의된 흐름 신호**에 대한 이론과 실용적인 필터링 방법을 제시한다. 서론에서는 현대 데이터 과학에서 관계형 데이터가 급증함에 따라 그래프 기반 모델링이 널리 활용되고 있음을 언급하고, 기존 GSP 연구가 대부분 **노드 신호**에 집중해 왔으며, 에지에 위치한 흐름 데이터(교통량, 전력 흐름, 정보 흐름 등)는 별도의 처리가 필요함을 강조한다. 특히, 에지는 **방향성**과 **보존 법칙**(입·출 흐름의 균형)을 갖는 특성이 있어, 정점 기반 라플라시안을 그대로 적용하면 흐름의 핵심 구조가 손실된다는 문제점을 제시한다. 전통적인 대안으로 **라인‑그래프 변환**이 소개된다. 라인‑그래프는 원 그래프의 에지를 정점으로, 인접한 에지들을 연결함으로써 에지 데이터를 정점 형태로 변환한다. 그러나 라인‑그래프 라플라시안 **L_LG** 를 이용한 필터링은 인접 에지 간 차이를 최소화하는 **평균화** 효과만을 제공한다. 이는 흐름이 사이클 형태로 존재할 때, 사이클 구조가 사라지고 전체 흐름이 하나의 평균값으로 수렴하는 결과를 초래한다. 논문은 이러한 현상을 **Fig. 1**을 통해 시각적으로 보여주며, 라인‑그래프 기반 필터가 원래 흐름 **f₀** 와의 오차를 오히려 증가시킴을 실증한다. 이러한 한계를 극복하기 위해 저자들은 **Edge‑Laplacian L₁ = BᵀB** 를 도입한다. 여기서 **B**는 그래프의 **노드‑에지 인시던스 행렬**이며, 각 에지는 임의의 방향을 부여한다. L₁은 1‑차 Hodge‑라플라시안으로, **사이클 공간(F_C = ker(B))** 과 **그래디언트 공간(F_G = im(Bᵀ))** 으로 에지 신호 공간을 직교 분해한다. 사이클 공간은 흐름 보존을 만족하는 순환 흐름이며, 그래디언트 공간은 정점 포텐셜 차이로 생성되는 비보존 흐름이다. 논문은 **Proposition 1**을 통해 L₁의 영공간이 정확히 사이클 공간이며, 이미지가 그래디언트 공간임을 증명한다. 이론적 기반 위에 **이상적인 저역통과 필터**가 정의된다. 필터는 L₁의 영특이값(0) 모드만 통과시키고 나머지는 차단한다. 이는 **최소 거리 투영** 문제 **min‖f̂−f‖² s.t. B f̂ = 0** 와 동등함을 **Proposition 2**에서 보인다. 즉, 관측된 흐름 **f** 를 가장 가까운 보존 흐름 **f̂** 로 투영한다. 실제 구현에서는 정규화된 최소제곱 형태인 **f̂ = (I + αL₁)⁻¹ f** (α는 정규화 파라미터)와, 반복적인 평활화 연산 **f̂ = (I − μL₁)ᵏ f** (μ는 스텝 크기, k는 반복 횟수)를 제시한다. 두 방법 모두 그래디언트 성분을 억제하고 사이클 성분을 보존함으로써 흐름의 구조적 특성을 유지한다. 실험에서는 런던 도로망을 이용해 합성 교통 흐름 데이터를 생성하고, 가우시안 잡음이 추가된 **f = f₀ + ε** 에 대해 라인‑그래프 기반 평활화와 Edge‑Laplacian 기반 평활화를 비교한다. 라인‑그래프 방법은 흐름을 전체 평균으로 수렴시켜 원래 사이클 구조를 파괴했으며, 오차 ‖f₀−f̂_LG‖² ≈ 6.68 로 크게 증가했다. 반면, L₁ 기반 필터는 사이클 차원(2개의 독립 사이클)만을 보존하고, 오차를 ‖f₀−f̂_L₁‖² ≈ 2.1 로 크게 감소시켰다. 또한, **Fig. 1E**에서 흐름을 사이클 성분과 그래디언트 성분으로 분해한 결과, L₁ 필터가 그래디언트 성분을 효과적으로 제거하고 사이클 성분을 거의 완전하게 복원함을 확인한다. 논문은 또한 **소스·싱크(φ)** 가 존재하는 경우를 다루는 확장 모델을 제시한다. 정규화 문제 **min‖f̂−f‖² + α‖B f̂ − φ‖²** 를 풀면 해는 **f̂ = (I + αL₁)⁻¹ (f + αBᵀφ)** 로, φ = 0 일 때 기존 식 (8)과 일치한다. 이는 실제 네트워크에서 특정 노드가 유입·유출을 담당하는 경우에도 적용 가능함을 의미한다. 마지막으로, 저자들은 **혼합 필터** 개념을 소개한다. 라인‑그래프 라플라시안은 **노드 기반** 신호에 유리하고, Edge‑Laplacian은 **흐름 보존**에 특화되므로, 두 라플라시안을 적절히 결합하면 복합적인 데이터(예: 흐름 + 속성) 처리에 유연성을 제공한다. 결론에서는 Edge‑Laplacian 기반 흐름 필터링이 기존 방법보다 **보존성, 방향성, 사이클 구조**를 효과적으로 유지하면서 잡음을 제거한다는 점을 강조하고, 향후 **고차 단순 복합체(Higher‑order simplicial complexes)**, **알제브라적 위상학**, **디스크리트 미적분** 등을 활용한 확장 연구 가능성을 제시한다.