CW-CNN & CW-AN: Convolutional Networks and Attention Networks for CW-Complexes

要約

CW 複雑な構造化データポイントを学習するための新しいフレームワークを紹介します。
最近の進歩により、化学情報学の問題に対する理想的な学習表現として CW 複合体が議論されています。
ただし、CW コンプレックスでの学習に適した利用可能な機械学習手法が不足しています。
この論文では、CW 複合体に対して明確に定義された畳み込みと注意の概念を開発します。
これらの概念により、CW 複合体を入力として受け取ることができる最初の Hodge 情報に基づいたニューラル ネットワークを作成することができます。
このフレームワークを教師付き予測のコンテキストで図解し、解釈します。

要約(オリジナル)

We present a novel framework for learning on CW-complex structured data points. Recent advances have discussed CW-complexes as ideal learning representations for problems in cheminformatics. However, there is a lack of available machine learning methods suitable for learning on CW-complexes. In this paper we develop notions of convolution and attention that are well defined for CW-complexes. These notions enable us to create the first Hodge informed neural network that can receive a CW-complex as input. We illustrate and interpret this framework in the context of supervised prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google