图延拓卷积网络：图上显式多尺度机器学习及其在细胞骨架建模中的应用
机器学习
2020-04-08 v2 机器学习
摘要
我们定义了一种新型集成图卷积网络（GCN）模型。该集成模型利用优化的线性投影算子在不同空间尺度的图之间进行映射，学习从每个尺度聚合信息以进行最终预测。我们将这些线性投影算子计算为关联各GCN所用结构矩阵的目标函数的下确界。借助这些投影，我们的模型（图延拓-卷积网络）在微管弯曲的粗粒化机械化学模拟中预测单体亚基的势能时，优于其他GCN集成模型。我们通过测量训练各模型所花费的FLOPs估计值以及挂钟时间，展示了这些性能提升。由于我们的模型在多尺度上学习，因此可以按照预定的粗训练与细训练时间表在每个尺度上进行训练。我们考察了若干改编自代数多重网格（AMG）文献的此类时间表，并量化了每种时间表的计算收益。我们还将该模型与另一种具有优化输入图粗化功能的模型进行了比较。最后，我们推导了网络模型输入相对于其输出的反向传播规则，并讨论了如何将我们的方法扩展到非常大的图。
引用
@article{arxiv.2002.05842,
title = {Graph Prolongation Convolutional Networks: Explicitly Multiscale Machine Learning on Graphs with Applications to Modeling of Cytoskeleton},
author = {C. B. Scott and Eric Mjolsness},
journal= {arXiv preprint arXiv:2002.05842},
year = {2020}
}
备注
Revised version submitted to IOP: Machine Learning, Science, and Technology