图卷积神经网络的拓扑与预测导向研究
机器学习
2018-08-24 v1 机器学习
信号处理
摘要
在依赖网格结构数据（如图像处理和对象分类）的领域，使用卷积神经网络（CNN）方法解决复杂问题已取得重要进展。近来，随着研究者试图在图结构数据上复制 CNN 的成功，关于图卷积神经网络（GCNN）的研究急剧增加。遗憾的是，鉴于图的不规则性和几何复杂性，传统的 CNN 方法不易迁移到 GCNN。GCNN 这一新兴领域还因研究论文在范围、细节和读者所需学术深度上的巨大差异而更显复杂。本文对 GCNN 的一些基本性质进行了综述。作为给感兴趣读者的指南，我们将近期的 GCNN 研究实例按两类进行分组：一类是试图揭示图模型底层拓扑的方法，另一类是寻求在图数据上推广传统 CNN 方法以改进类成员关系预测的方法。我们利用图上离散信号处理（DSPg）作为理论框架，以更好地理解这些近期 GCNN 方法的某些性能提升与局限。本文简要讨论了拓扑自适应图卷积网络（TAGCN）作为一种受 DSPg 启发的方法，并简要探讨了使用该方法的未来研究方向。
引用
@article{arxiv.1808.07769,
title = {Topology and Prediction Focused Research on Graph Convolutional Neural Networks},
author = {Matthew Baron},
journal= {arXiv preprint arXiv:1808.07769},
year = {2018}
}