保图网格布局：一种基于CNN进行图分类的简单图绘制方法
机器学习
2019-09-30 v1 计算机视觉与模式识别
机器学习
摘要
图卷积网络（GCNs）受限于图的不规则性，而更为广泛使用的卷积神经网络（CNNs）则受益于规则网格。为弥合GCN与CNN之间的差距，与以往将CNN中的基本操作推广到图数据的工作不同，本文探讨如何以原则性的方式将无向图投影到网格上，从而可使用CNN作为几何深度学习的骨干网络。为此，受图绘制文献启发，我们提出一种新颖的保图网格布局（GPGL），这是一个最小化网格上拓扑损失的整数规划。从技术上讲，我们提出使用正则化Kamada-Kawai算法（图绘制中著名的非凸优化技术）近似求解GPGL，并引入顶点分离惩罚以提升松弛解之上取整的性能。利用GPGL，我们可以轻松进行数据增强，因为每个局部极小都会得到同一图的一个网格布局。结合多尺度maxout CNNs的帮助，我们展示了该方法在图分类上的实证成功。
引用
@article{arxiv.1909.12383,
title = {Graph-Preserving Grid Layout: A Simple Graph Drawing Method for Graph Classification using CNNs},
author = {Yecheng Lyu and Xinming Huang and Ziming Zhang},
journal= {arXiv preprint arXiv:1909.12383},
year = {2019}
}