面向几何散射模块的可学习滤波器
机器学习
2022-08-17 v1
摘要
我们提出一种新的图神经网络（GNN）模块，基于近期提出的几何散射变换的松弛形式，其由图小波滤波器的级联构成。我们的可学习几何散射（LEGS）模块支持对小波进行自适应调谐，以促使带通特征在所学表征中浮现。将 LEGS 模块嵌入 GNN 中，相比许多依赖通过邻居间平滑性或相似性编码图结构的流行 GNN，能够学习更长范围的图关系。此外，其小波先验带来了简化的架构，与同类 GNN 相比所需学习的参数显著更少。我们在图分类基准上展示了基于 LEGS 的网络的预测性能，以及在生化图数据探索任务中其所学特征的描述质量。结果表明，基于 LEGS 的网络在多数数据集上（尤其是生化领域）匹敌或超越流行 GNN 及原始几何散射构造，同时保留了手工设计（非学习）几何散射的某些数学性质。
引用
@article{arxiv.2208.07458,
title = {Learnable Filters for Geometric Scattering Modules},
author = {Alexander Tong and Frederik Wenkel and Dhananjay Bhaskar and Kincaid Macdonald and Jackson Grady and Michael Perlmutter and Smita Krishnaswamy and Guy Wolf},
journal= {arXiv preprint arXiv:2208.07458},
year = {2022}
}
备注
14 pages, 3 figures, 10 tables. arXiv admin note: substantial text overlap with arXiv:2010.02415