面向任意图拓扑时间序列数据的广义结构卷积神经网络（SCNN）
机器学习
2018-05-31 v2 机器学习
摘要
深度学习方法，特别是卷积神经网络（CNN），在基于图像的数据领域取得了许多成功，这类数据在像素的规则网格中提供了清晰的结构化拓扑。这种 4-邻域拓扑简洁性使得卷积掩码对于视频应用等时间序列数据的应用十分直接，但许多高维时间序列数据并非组织于规则网格中，而是数值之间可能具有非平凡拓扑的邻接关系，例如小世界网络或树。在我们的应用案例——人体运动中，目前尚不清楚如何以原则性的方式推广卷积核。因此，我们在此定义并实现了一种用于时间序列分析的通用图结构 CNN 框架。我们的算法利用数据维度指定的邻接矩阵和随跳数距离缩放的卷积掩码自动构建卷积层。在网格拓扑的极限下，我们的方法产生众所周知的图像卷积掩码。我们首先在任意连接图的合成数据以及人体手部动作捕捉数据上测试了我们的方法，其中手由捕捉关节机械依赖关系的树表示。我们能够证明，除其他外，与仅含时间卷积层的基准 CNN 模型相比，纳入数据维度的图结构显著改善了模型预测。
引用
@article{arxiv.1803.05419,
title = {Generalised Structural CNNs (SCNNs) for time series data with arbitrary graph topology},
author = {Thomas Teh and Chaiyawan Auepanwiriyakul and John Alexander Harston and A. Aldo Faisal},
journal= {arXiv preprint arXiv:1803.05419},
year = {2018}
}