.png){kind=icon}
返回
Online Smooth Graph Learning From Incomplete Data
.png){kind=icon}
PRE
AI
DOI：10.1109/TSIPN.2025.3589719.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图是提取结构化数据中嵌入的关键信息的基础，并且在各个领域都是基础工具。然而，预定义的图无法充分捕捉数据中的内在关系，凸显了通过学习图来构建有意义表示的必要性。特别是在动态场景中，图会根据流信号进行演化，需要通过在线方法实现实时适应，因此图学习至关重要。此外，序列数据中的缺失值构成了挑战，需要信号重建技术来恢复不完整信息，以确保图推理的准确性和可靠性。为解决此类问题，我们设计了一种新颖的在线算法，该算法在平滑先验条件下实现了联合信号重建和拓扑推断。具体而言，将这两个子问题表述为一个联合优化任务，可通过交替最小化求解。为实现在线图学习的高效性并兼顾精度，我们将不精确近端在线梯度下降（IPOGD）整合到我们的算法中，动态后悔分析表明其具有次线性后悔界。在合成数据集和真实数据集上的实验结果验证了该算法在跟踪数据不完整情况下的缓慢演化网络时的有效性。
Keyword:
Dynamic regret analysis
graph learning
online convex optimization
smoothness priors
signal reconstruction
期刊
IF:
4.9
论文数:
733
被引数:
1.9K
机构
引用论文
分享收藏分享收藏A Graph-Based Approach for Missing Sensor Data Imputation一种基于图的缺失传感器数据填补方法.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏分享收藏
分享收藏
查看更多内容