基于图邻域滤波器的图卷积神经网络鲁棒替代方案
信号处理
2022-10-18 v1 机器学习
摘要
图卷积神经网络（GCNNs）是流行的深度学习架构，其用图滤波器（GFs）替代常规卷积，将 CNN 推广到不规则域。然而，经典 GFs 由高阶多项式构成，容易产生数值误差。当多个滤波器级联应用时，该问题加剧，限制了 GCNNs 的实际深度。为解决此问题，我们提出邻域图滤波器（NGFs），这是一类用 -hop 邻域邻接矩阵替代图移位算子幂次的 GFs。NGFs 有助于缓解传统 GFs 的数值问题，允许设计更深的 GCNNs，并增强对图拓扑中误差的鲁棒性。为说明相对于传统 GFs 在实际应用中的优势，我们在深度邻域 GCNNs 的设计中使用 NGFs，以解决合成与真实世界数据上的图信号去噪和节点分类问题。
引用
@article{arxiv.2110.00844,
title = {A Robust Alternative for Graph Convolutional Neural Networks via Graph Neighborhood Filters},
author = {Victor M. Tenorio and Samuel Rey and Fernando Gama and Santiago Segarra and Antonio G. Marques},
journal= {arXiv preprint arXiv:2110.00844},
year = {2022}
}
备注
Presented in the 2021 Asilomar Conference on Signals, Systems, and Computers, Pacific Grove, CA, USA, 31 Oct. -- 3 Nov. 2021