用于三维（3D）图的距离几何图卷积网络（DG-GCN）
计算机视觉与模式识别
2021-03-23 v4 机器学习
摘要
距离几何图表示采用统一方案（距离）来表示三维（3D）图的几何。它对图的旋转和平移具有不变性，并反映成对节点交互及其通常的局部性质。为促进在 3D 图深度学习中融入几何，我们提出一种基于距离几何图表示的消息传递图卷积网络：DG-GCN（距离几何图卷积网络）。它利用带滤波生成网络的连续滤波卷积层，能够从距离中学习滤波权重，从而将 3D 图的几何融入图卷积。我们在 ESOL 与 FreeSolv 数据集上的结果显示相较标准图卷积有大幅改进，也显示相较采用边权/边距离幂律的几何图卷积有显著改进。我们的工作展示了 DG-GCN 用于 3D 图（尤其是分子图）端到端深度学习的效用与价值。
引用
@article{arxiv.2007.03513,
title = {Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs},
author = {Daniel T. Chang},
journal= {arXiv preprint arXiv:2007.03513},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.01785