그래프 신호를 위한 파라메트릭 딕셔너리 학습

본 논문은 그래프 위에 정의된 신호를 효율적으로 희소 표현하기 위한 새로운 딕셔너리 학습 방법을 제안한다. 그래프 신호는 정점 집합 \(V\) 와 가중치 행렬 \(W\) 로 정의된 무방향 가중 그래프 \(G=(V,E,W)\) 위에 정의되며, 라플라시안 \(L=D-W\) 또는 정규화 라플라시안 \(\mathcal{L}=D^{-1/2}LD^{-1/2}\) 을 통해 그래프의 기하학적 구조를 수학적으로 표현한다. 라플라시안의 고유벡터는 그래프 푸리에 변환의 기저가 되며, 고유값은 주파수 역할을 한다. **1. 연구 배경 및 동기** 전통적인 딕셔너리 학습(K‑SVD, MOD 등)은 데이터에 맞춤형 원자를 제공하지만, 원자 간 구조가 없어서 연산 비용이 크다. 반면, 푸리에·웨이브렛 기반의 분석 딕셔너리는 구조가 명확해 빠른 변환이 가능하지만, 실제 데이터 특성을 반영하지 못한다. 그래프 신호의 경우, 신호 특성이 그래프 토폴로지와 밀접하게 연관되므로, 딕셔너리 설계 시 그래프 구조를 고려해야 한다. 따라서 구조적이면서도 데이터에 적응 가능한 딕셔너리가 필요하다. **2. 제안 딕셔너리 구조** 저자들은 딕셔너리를 \(D=