快速图卷积循环神经网络
信号处理
2020-01-28 v1
摘要
本文提出一种快速图卷积神经网络（FGRNN）架构，用于预测具有底层图结构的序列。所提架构解决了标准循环神经网络（RNN）的局限性，即梯度的消失与爆炸导致训练期间的数值不稳定。已知将门控RNN架构（如长短期记忆（LSTM）和门控循环单元（GRU））与图卷积相结合的先进架构可改善训练阶段的数值稳定性，但代价是模型规模涉及大量训练参数。FGRNN通过添加仅含两个额外训练参数的加权残差连接来解决此问题，相较于标准RNN。在真实3D点云数据集上的数值实验证实了所提架构。
引用
@article{arxiv.2001.09407,
title = {Fast Graph Convolutional Recurrent Neural Networks},
author = {Sai Kiran Kadambari and Sundeep Prabhakar Chepuri},
journal= {arXiv preprint arXiv:2001.09407},
year = {2020}
}
备注
5 pages.Submitted to Asilomar Conference on Signals, Systems, and Computers