通过剪枝实现高效且稳定的图散射变换
信号处理
2020-01-28 v1 机器学习
社会与信息网络
摘要
图卷积网络（GCNs）在各种图学习任务中拥有文献充分记载的性能，但其分析仍处于起步阶段。图散射变换（GSTs）提供了无需训练的深层 GCN 模型，可从图数据中提取特征，并适于泛化与稳定性分析。GSTs 所付出的代价是随层数增加呈指数级增长的时空复杂度，这阻碍了在需要深层架构时部署 GSTs。本工作通过引入一种高效的所谓剪枝（p）GST 方法来解决 GSTs 的复杂度限制。所得到的剪枝算法受图谱启发的准则引导，在规避 GSTs 相关指数复杂度的同时，动态保留信息丰富的散射特征。当输入图数据或网络结构受扰动时，新 pGSTs 的稳定性也得以确立。此外，从解析与实验两方面考察了 pGST 对随机与局部信号扰动的敏感性。数值测试表明，pGST 以可观的计算节省取得了与基线 GST 相当的性能。而且，在图与三维点云分类任务中，pGST 取得了与最先进 GCNs 相当的性能。通过分析 pGST 剪枝模式，表明不同领域的图数据需要不同的网络架构，且剪枝算法可用于指导当代 GCNs 的设计选择。
引用
@article{arxiv.2001.09882,
title = {Efficient and Stable Graph Scattering Transforms via Pruning},
author = {Vassilis N. Ioannidis and Siheng Chen and Georgios B. Giannakis},
journal= {arXiv preprint arXiv:2001.09882},
year = {2020}
}