GraphTER：通过自编码节点级变换无监督学习图变换等变表示
计算机视觉与模式识别
2020-03-20 v2 机器学习
摘要
图卷积神经网络（GCNNs）的最新进展显示了其在图上的非欧几里得数据的高效性，但这往往需要大量高成本的标注数据。因此，在实践中以无监督方式学习图特征表示至关重要。为此，我们提出一种新颖的图变换等变表示无监督学习（GraphTER），旨在捕捉图结构在全局与局部变换下的内在模式。具体而言，我们允许从图中采样不同的节点组，然后对各节点各向同性或各向异性地进行节点级变换。接着，我们自训练一个表示编码器，通过从原始图与变换后图的特征表示中重建这些节点级变换来捕捉图结构。在实验中，我们将学到的 GraphTER 应用于三维点云数据的图，点云分割/分类的结果表明 GraphTER 显著优于最先进的无监督方法，并大幅逼近全监督对应方法所设的上界。代码见：https://github.com/gyshgx868/graph-ter。
引用
@article{arxiv.1911.08142,
title = {GraphTER: Unsupervised Learning of Graph Transformation Equivariant Representations via Auto-Encoding Node-wise Transformations},
author = {Xiang Gao and Wei Hu and Guo-Jun Qi},
journal= {arXiv preprint arXiv:1911.08142},
year = {2020}
}