用于图分类的多视图自适应图卷积
计算机视觉与模式识别
2020-07-27 v1 机器学习
摘要
本文提出了一种新颖的基于图的神经网络多视图方法。我们为非欧几里得流形背景系统地、方法论地适配了经典深度学习方法的关键概念，如卷积、池化和多视图架构。所提出工作的目标是提出一种新颖的多视图图卷积层，以及一种新的视图池化层，该层利用了：a) 一种基于特征距离度量学习调整的新型混合拉普拉斯算子；b) 使用可训练距离矩阵，适配视图概念到图的特征矩阵的多个可训练表示；c) 一种称为图视图池化的多视图图聚合方案，以合成来自多个生成视图的信息。上述层被用于端到端的图神经网络架构进行图分类，并显示出与其他最先进方法相比具有竞争力的结果。
引用
@article{arxiv.2007.12450,
title = {Multi-view adaptive graph convolutions for graph classification},
author = {Nikolas Adaloglou and Nicholas Vretos and Petros Daras},
journal= {arXiv preprint arXiv:2007.12450},
year = {2020}
}
备注
Accepted as a poster on ECCV 2020, camera ready version