利用相场模型训练轻量级图卷积网络
计算机视觉与模式识别
2022-12-20 v1
摘要
本文中，我们利用一类被称为相场模型(PFM)的特定正则化器来设计轻量级图卷积网络(GCN)。PFM通过一个特定的超局部项展现出双相行为，该行为允许将GCN的拓扑结构和权重参数的训练作为单一“端到端”优化问题的一部分。我们提出的解决方案还依赖于一种重参数化，它将拓扑掩码推向二值，从而实现有效的拓扑选择和高泛化能力，同时实现任意目标剪枝率。掩码和权重共享同一组潜在变量，这进一步增强了所得轻量级GCN的泛化能力。在基于骨架的识别这一具有挑战性的任务上进行的大量实验表明，PFM优于其他主要正则化器以及相关的轻量级设计方法。
引用
@article{arxiv.2212.09415,
title = {Training Lightweight Graph Convolutional Networks with Phase-field Models},
author = {Hichem Sahbi},
journal= {arXiv preprint arXiv:2212.09415},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2203.13616