BLIS-Net：图上信号的分类与分析
机器学习
2024-05-28 v1 信号处理
摘要
图神经网络（GNNs）已成为节点分类和图分类等任务的强大工具。然而，关于信号分类的研究要少得多，其中数据由定义在单个图顶点上的许多函数（称为信号）组成。这些任务需要与传统GNN任务所设计的网络不同的网络。事实上，传统GNN依赖于局部低通滤波器，而感兴趣的信号可能具有复杂的多频行为并表现出长程相互作用。这促使我们引入BLIS-Net（双利普希茨散射网，Bi-Lipschitz Scattering Net），一种基于先前提出的几何散射变换的新型GNN。我们的网络能够捕获局部和全局信号结构，并能够捕获低频和高频信息。我们对原始几何散射架构做了几处关键改动，并证明这些改动提升了网络捕获输入信号信息的能力，且表明BLIS-Net在基于交通流和fMRI数据的合成与真实数据集上均取得了优越性能。
引用
@article{arxiv.2310.17579,
title = {BLIS-Net: Classifying and Analyzing Signals on Graphs},
author = {Charles Xu and Laney Goldman and Valentina Guo and Benjamin Hollander-Bodie and Maedee Trank-Greene and Ian Adelstein and Edward De Brouwer and Rex Ying and Smita Krishnaswamy and Michael Perlmutter},
journal= {arXiv preprint arXiv:2310.17579},
year = {2024}
}