Fourier could be a data scientist: From graph Fourier transform to signal processing on graphs

The legacy of Joseph Fourier in science is vast, especially thanks to the essential tool that the Fourier transform is. The flexibility of this analysis, its computational efficiency and the physical interpretation it offers makes it a cornerstone in many scientific domains. With the explosion of digital data, both in quantity and diversity, the generalization of the tools based on Fourier transform is mandatory. In data science, new problems arose for the processing of irregular data such as social networks, biological networks or other data on networks. Graph signal processing is a promising approach to deal with those. The present text is an overview of the state of the art in graph signal processing, focusing on how to define a Fourier transform for data on graphs, how to interpret it and how to use it to process such data. It closes showing some examples of use. Along the way, the review reveals how Fourier's work remains modern and universal, and how his concepts, coming from physics and blended with mathematics, computer science, and signal processing, play a key role in answering the modern challenges in data science. Les travaux de Joseph Fourier se sont avérés extrêmement féconds, et la transformée portant son nom est, aujourd'hui encore, incontournable. La souplesse de cette analyse, son efficacité calculatoire et l'interprétation physique qu'elle offre la met au cœur de nombreux domaines scientifiques. Avec l'explosion du nombre et de la diversité des données numériques, la généralisation des outils d'analyse s'appuyant sur la transformation de Fourier est plus que jamais nécessaire. C'est en particulier le cas en science des données, et spécifiquement en science des réseaux. De nouveaux problèmes se posent quant à l'extraction d'information à partir de données qui ont des structures irrégulières, comme des réseaux sociaux, biologiques ou autres données sur des graphes potentiellement arbitraires. Le traitement du signal sur graphe est une des directions prometteuses dédiées à ce type de données. Ce texte présente un état de l'art du domaine, en se concentrant d'abord sur la façon de définir une transformée de Fourier pour des données sur graphes, comment l'interpréter et enfin comment l'utiliser pour étudier ces données. Il se termine par une discussion sur de possibles utilisations. Ce faisant, ce travail illustre en quoi la démarche de Fourier reste moderne et universelle et montre comment ses idées, essentiellement issues de la physique, puis enrichies par les mathématiques, l'informatique et la théorie du signal, demeurent essentielles pour répondre aux défis actuels en science des données.