图神经网络中的几何原则性连接
计算机视觉与模式识别
2020-04-07 v1 机器学习
摘要
图卷积算子将深度学习的优势带到了以前被认为无法企及的各种图和网格处理任务中。随着它们的持续成功，人们希望设计更强大的架构，通常是通过将现有的深度学习技术适应到非欧几里得数据。在本文中，我们认为几何学应该仍然是新兴的几何深度学习领域创新的主要驱动力。我们将图神经网络与非常成功的计算机图形学和数据近似模型——径向基函数联系起来。我们推测，像RBF一样，图卷积层将从向强大的卷积核添加简单函数中受益。我们引入了仿射跳跃连接，这是一种新颖的构建块，由全连接层与任何图卷积算子组合而成。我们通过实验证明了我们技术的有效性，并表明性能的提升不仅仅是参数数量增加的结果。配备仿射跳跃连接的算子在评估的每个任务（即形状重建、密集形状对应和图分类）上都显著优于其基础性能。我们希望我们简单有效的方法能够作为一个坚实的基线，并有助于未来图神经网络的研究。
引用
@article{arxiv.2004.02658,
title = {Geometrically Principled Connections in Graph Neural Networks},
author = {Shunwang Gong and Mehdi Bahri and Michael M. Bronstein and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:2004.02658},
year = {2020}
}
备注
Presented at Computer Vision and Pattern Recognition (CVPR), 2020