基于潜在固定数据结构在图上的非局部特征聚合
机器学习
2021-08-17 v1 机器学习
摘要
与可利用顺序通过池化层直接进行非局部特征聚合的图像/文本数据不同，图缺乏张量表示，且大多使用逐元素最大/平均函数来聚合局部提取的特征向量。本文提出了一种图神经网络（GNNs）中利用潜在固定数据结构（LFDS）聚合提取特征向量的全局特征聚合新方法。局部提取的特征向量在 LFDS 上被排序/分布，并利用潜在神经网络（CNN/GNN）在 LFDS 上执行特征聚合。所提方法用于设计若干基于 LFDS 选择的新型全局特征聚合方法。我们引入了多种 LFDS，包括环、3D 张量（图像）、序列、数据驱动图，以及一种在 LFDS 上排序/分布提取的局部特征向量的算法。虽然所提方法的计算复杂度随输入图的阶数线性增长，它们取得了有竞争力或更好的结果。
引用
@article{arxiv.2108.07028,
title = {Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures},
author = {Mostafa Rahmani and Rasoul Shafipour and Ping Li},
journal= {arXiv preprint arXiv:2108.07028},
year = {2021}
}
备注
published in 2021 IEEE Asilomar Conference on Signals, Systems, and Computers