用于卷积神经网络的多输入多输出图滤波器
机器学习
2018-03-07 v1 信号处理
机器学习
摘要
优异的性能和易于实现的特点促进了卷积神经网络（CNNs）在广泛的推断与重建任务中的采用。CNNs实现三个基本模块：卷积、池化和逐点非线性。由于前两种操作仅对音频或图像等规则结构数据有明确的定义，将CNNs应用于信息定义在非规则域的当代数据集具有挑战性。本文研究使CNNs架构在支持可用图建模的信号上运行。近期已提出用所谓的线性平移不变图滤波器替代规则卷积的架构。本文更进一步，在多输入多输出（MIMO）图滤波器框架下，对所采用的图滤波器施加额外结构，得到三种新的（更简洁的）架构。所提架构减少了模型参数数量，降低了计算复杂度，便于训练，并缓解过拟合风险。仿真表明，所提更简单的架构取得了与更复杂模型相似的性能。
引用
@article{arxiv.1803.02247,
title = {MIMO Graph Filters for Convolutional Neural Networks},
author = {Fernando Gama and Antonio G. Marques and Alejandro Ribeiro and Geert Leus},
journal= {arXiv preprint arXiv:1803.02247},
year = {2018}
}
备注
Submitted to 19th IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC 2018)