Adaptive Filters in Graph Convolutional Neural Networks

要約

過去数年にわたり、非ユークリッド領域から生成されたデータが利用可能になるのを私たちは目の当たりにしてきました。非ユークリッド領域は通常、複雑な関係をもつグラフとして表現されます。また、グラフ ニューラル ネットワーク (GNN) は、処理における潜在的な可能性のために高い関心を集めています。
グラフ構造のデータ。
特に、一般にグラフ畳み込みニューラル ネットワーク (ConvGNN) と呼ばれる、GNN アーキテクチャの拡張機能を使用してグラフ上で畳み込みを実行する可能性を探ることに強い関心が寄せられています。
グラフの畳み込みは、主にスペクトル畳み込みと空間畳み込みという 2 つの形式で実現されています。
データのグラフ構造を探索して活用する際の柔軟性が高いため、最近では空間的アプローチが提供できる可能性を調査することへの関心が高まっています。
ネットワークの動作を処理する入力に適応させて全体のパフォーマンスを最大化する方法を見つけるというアイデアは、長年にわたってニューラル ネットワークの文献で大きな関心を集めてきました。
この論文では、ConvGNN の動作を入力に適応させる新しい方法を紹介し、ノード特徴ベクトルから動的に生成される入力固有のフィルターを使用してグラフ上で空間畳み込みを実行する方法を提案します。
実験的な評価により、提案されたアプローチの機能が確認され、少数のフィルターを使用して満足のいく結果が得られます。

要約(オリジナル)

Over the last few years, we have witnessed the availability of an increasing data generated from non-Euclidean domains, which are usually represented as graphs with complex relationships, and Graph Neural Networks (GNN) have gained a high interest because of their potential in processing graph-structured data. In particular, there is a strong interest in exploring the possibilities in performing convolution on graphs using an extension of the GNN architecture, generally referred to as Graph Convolutional Neural Networks (ConvGNN). Convolution on graphs has been achieved mainly in two forms: spectral and spatial convolutions. Due to the higher flexibility in exploring and exploiting the graph structure of data, there is recently an increasing interest in investigating the possibilities that the spatial approach can offer. The idea of finding a way to adapt the network behaviour to the inputs they process to maximize the total performances has aroused much interest in the neural networks literature over the years. This paper presents a novel method to adapt the behaviour of a ConvGNN to the input proposing a method to perform spatial convolution on graphs using input-specific filters, which are dynamically generated from nodes feature vectors. The experimental assessment confirms the capabilities of the proposed approach, which achieves satisfying results using a low number of filters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google