一种进入图空间的卷积神经网络
计算机视觉与模式识别
2023-10-03 v3 机器学习
神经与进化计算
摘要
几十年来，卷积神经网络（CNNs）在分类任务中超越了现有的最先进方法。然而，按其形式化方式，CNNs 被限定在欧几里得空间上操作。事实上，卷积是定义在欧几里得空间上的信号操作。这将深度学习的主要用途限制于声音或图像等欧几里得定义的数据。然而，众多计算机应用领域（其中包括网络分析、计算社会科学、化学信息学和计算机图形学）会产生图、网络或流形等非欧几里得定义的数据。本文我们提出一种新的卷积神经网络架构，直接定义在图空间中。卷积与池化算子在图域中定义。我们展示了其在反向传播上下文中的可用性。实验结果表明，我们的模型在简单任务上达到了最先进水平。它展现出对图域变化的鲁棒性，并且相对于其他欧几里得与非欧几里得卷积架构有所提升。
引用
@article{arxiv.2002.09285,
title = {A Convolutional Neural Network into graph space},
author = {Chloé Martineau and Romain Raveaux and Donatello Conte and Gilles Venturini},
journal= {arXiv preprint arXiv:2002.09285},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:1611.08402 by other authors