通过直观的匹配滤波方法理解图卷积神经网络的基础
机器学习
2021-08-25 v1 人工智能
信息论
神经与进化计算
math.IT
摘要
图卷积神经网络（GCNN）正成为处理不规则域数据的首选模型，然而由于神经网络的黑箱特性，其分析和操作原理很少被审视。为此，我们重新审视了 GCNN 的操作，并表明其卷积层有效地对输入数据与所选模式（特征）执行匹配滤波。这使我们能够通过匹配滤波的视角对 GCNN 提供一个统一的解释，其中非线性 ReLU 和最大池化层也在匹配滤波框架内进行了讨论。随后，我们逐步介绍了 GCNN 中的信息传播和学习过程。研究还表明，标准的 CNN 和全连接神经网络可以作为 GCNN 的特例得到。一个精心挑选的数值示例从视觉和数值上引导读者了解 GCNN 操作和学习的各个步骤。
引用
@article{arxiv.2108.10751,
title = {Understanding the Basis of Graph Convolutional Neural Networks via an Intuitive Matched Filtering Approach},
author = {Ljubisa Stankovic and Danilo Mandic},
journal= {arXiv preprint arXiv:2108.10751},
year = {2021}
}
备注
14 pages, 6 figures, 1 table