几何散射网络的数据驱动学习
机器学习
2022-03-29 v3 机器学习
摘要
我们提出一种新的图神经网络(GNN)模块，基于近期提出的几何散射变换的松弛形式，该变换由级联的图小波滤波器组成。我们的可学习几何散射(LEGS)模块能够自适应地调整小波，以促使带通特征在学习的表示中显现。将 LEGS 模块纳入 GNN 中，相比许多流行的 GNN(通常依赖通过邻居间的平滑性或相似性来编码图结构)，能够学习更长距离的图关系。此外，其小波先验带来了简化的架构，与竞争的 GNN 相比，所需学习的参数显著更少。我们在图分类基准上展示了基于 LEGS 的网络的预测性能，以及它们学习到的特征在生化图数据探索任务中的描述质量。
引用
@article{arxiv.2010.02415,
title = {Data-Driven Learning of Geometric Scattering Networks},
author = {Alexander Tong and Frederik Wenkel and Kincaid MacDonald and Smita Krishnaswamy and Guy Wolf},
journal= {arXiv preprint arXiv:2010.02415},
year = {2022}
}
备注
6 pages, 2 figures, 3 tables, Presented at IEEE MLSP 2021