旋转不变随机特征为三维点云机器学习提供强基线
计算机视觉与模式识别
2023-08-15 v1 人工智能
机器学习
摘要
旋转不变性是被机器学习诸多领域（如计算机视觉与量子化学机器学习）广泛使用的归纳偏置。旋转不变机器学习方法在包括分子性质预测与三维形状分类在内的许多任务上达到最优性能。这些方法通常要么依赖特定任务的旋转不变特征，要么使用设计复杂、训练困难的通用途深度神经网络。然而，这些方法的成功究竟主要源于旋转不变性还是深度神经网络，尚不清楚。为解答该问题，我们提出一种简单且通用的学习方法：利用随机特征方法学习三维点云数据的旋转不变函数。具体而言，我们推广了 Rahimi & Recht 2007 的随机特征方法，推导出对其三维旋转不变之版本，并证明其在点云数据上可快速计算。通过实验我们表明，在 QM7 与 QM9 标准分子性质预测基准数据集上，本方法匹配或超越通用旋转不变神经网络的性能。我们还表明本方法具有通用性，并在 ModelNet40 形状分类任务上提供了旋转不变基线。最后，我们表明本方法的预测延迟比竞争的核方法小一个数量级。
引用
@article{arxiv.2308.06271,
title = {Rotation-Invariant Random Features Provide a Strong Baseline for Machine Learning on 3D Point Clouds},
author = {Owen Melia and Eric Jonas and Rebecca Willett},
journal= {arXiv preprint arXiv:2308.06271},
year = {2023}
}