等变超图神经网络
机器学习
2022-08-23 v1
摘要
计算机视觉与机器学习中的许多问题可归结为在表示高阶关系的超图上进行学习。近期的超图学习方法基于消息传递扩展图神经网络，这种方法简单却在建模长程依赖与表达能力上受到根本限制。另一方面，基于张量的等变神经网络具有最大表达能力，但因其繁重计算与对固定阶超边的严格假设，在超图中的应用受限。我们解决这些问题并提出了等变超图神经网络（EHNN），这是首次实现面向一般超图学习的最大表达性等变层。我们还基于超网络（EHNN-MLP）与自注意力（EHNN-Transformer）给出了框架的两种实用实现，它们易于实现且在理论上比多数消息传递方法更具表达性。我们在一系列超图学习问题上展示了其能力，包括合成 k-边识别、半监督分类与视觉关键点匹配，并报告了相较强消息传递基线的性能提升。我们的实现见 https://github.com/jw9730/ehnn。
引用
@article{arxiv.2208.10428,
title = {Equivariant Hypergraph Neural Networks},
author = {Jinwoo Kim and Saeyoon Oh and Sungjun Cho and Seunghoon Hong},
journal= {arXiv preprint arXiv:2208.10428},
year = {2022}
}
备注
29 pages, 2 figures