Topo-MLP：一种无需消息传递的单纯复形网络
机器学习
2023-12-20 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
由于能够对一组实体间有意义的高阶关系进行建模，高阶网络模型近期作为一种强大的替代方案出现，而基于图的模型只能建模二元关系。即使在对于高阶网络模型，消息传递范式在学习表示中仍占据主导地位。虽然消息传递功能强大，但在推理过程中可能存在缺点，特别是当高阶连通性信息缺失或损坏时。为了克服这些限制，我们提出了 Topo-MLP，一种纯粹基于 MLP 的单纯神经网络算法，用于学习单纯复形中元素的表示，而无需显式依赖消息传递。我们的框架利用了一种新型的高阶邻域对比（HONC）损失，它隐式地将单纯结构纳入表示学习中。我们提出模型的简单性使其在推理过程中速度更快。此外，我们表明我们的模型在面对缺失或损坏的连通性结构时具有鲁棒性。
引用
@article{arxiv.2312.11862,
title = {Topo-MLP : A Simplicial Network Without Message Passing},
author = {Karthikeyan Natesan Ramamurthy and Aldo Guzmán-Sáenz and Mustafa Hajij},
journal= {arXiv preprint arXiv:2312.11862},
year = {2023}
}