置换等变神经网络与高阶图变分编码器的一般理论
机器学习
2020-04-09 v1 机器学习
摘要
先前关于对称群等变神经网络的工作通常仅考虑了群通过置换单个向量的元素来作用的情形。本文推导了一般置换等变层的公式，包括层通过同时置换矩阵的行和列来作用于矩阵的情形。这种情形在图学习和关系学习应用中自然出现。作为高阶置换等变网络的一个具体例子，我们提出了一种二阶图变分编码器，并表明等变生成模型的潜变量分布必须是可交换的。我们在引文图上的链接预测和分子图生成任务中展示了该架构的有效性。
引用
@article{arxiv.2004.03990,
title = {The general theory of permutation equivarant neural networks and higher order graph variational encoders},
author = {Erik Henning Thiede and Truong Son Hy and Risi Kondor},
journal= {arXiv preprint arXiv:2004.03990},
year = {2020}
}