当结构奏效时：将经典网络结构转化为图卷积神经网络
机器学习
2018-07-10 v1 机器学习
摘要
众多模式识别应用可归结为从图结构数据中学习，包括社交网络、蛋白质相互作用网络、万维网数据、知识图谱等。尽管卷积神经网络（CNN）在推进网格化图像/视频理解任务方面取得了巨大进展，但由于图具有不规则且复杂的几何拓扑（无序顶点、不固定的邻接边/顶点数量），将这类成功网络结构（包括 Inception 网络、残差网络、密集网络等）转化为图上的卷积网络的研究却极为有限。本文旨在通过在不同经典网络结构向图 CNN 转化过程中进行综合分析，阐明“何时结构奏效”，特别是在基础图识别问题中。具体而言，我们首先回顾通用图 CNN 方法，尤其是其在不规则图数据上的谱滤波操作。随后将 ResNet、Inception 与 DenseNet 的基本结构引入图 CNN，并在图上构建这些网络结构，命名为 G_ResNet、G_Inception、G_DenseNet。特别地，本研究旨在通过揭示这些经典网络结构的作用机理，并为选择合适的图网络框架提供指导，从而助力图 CNN。最后，我们在多个公开图数据集（包括社交网络与生物信息学数据集）上全面评估了这些不同网络结构的性能，并展示了在图识别任务中不同网络结构在图 CNN 上的作用方式。
引用
@article{arxiv.1807.02653,
title = {When Work Matters: Transforming Classical Network Structures to Graph CNN},
author = {Wenting Zhao and Chunyan Xu and Zhen Cui and Tong Zhang and Jiatao Jiang and Zhenyu Zhang and Jian Yang},
journal= {arXiv preprint arXiv:1807.02653},
year = {2018}
}