Graph Structure from Point Clouds: Geometric Attention is All You Need

要約

グラフ ニューラル ネットワークの使用により、高エネルギー物理学で見られるような点群問題に大きな進歩がもたらされました。
これらの問題でグラフ構造を生成する方法の問題は、通常、全結合グラフまたは K 最近傍グラフを使用するヒューリスティックの問題として扱われます。
この研究では、この質問をトポロジー問題として最も重要なものに高めます。
我々は、関連性の流れを幾何学的に処理する学習空間内でグラフを構築できるようにするアテンション メカニズムを提案し、トポロジー問題に対する 1 つの解決策を提供します。
私たちは、GravNetNorm と呼ばれるこのアーキテクチャをトップ ジェット タグ付けのタスクでテストし、タグ付けの精度において競争力があり、他のすべての同等のモデルよりもはるかに少ない計算リソースを使用することを示します。

要約(オリジナル)

The use of graph neural networks has produced significant advances in point cloud problems, such as those found in high energy physics. The question of how to produce a graph structure in these problems is usually treated as a matter of heuristics, employing fully connected graphs or K-nearest neighbors. In this work, we elevate this question to utmost importance as the Topology Problem. We propose an attention mechanism that allows a graph to be constructed in a learned space that handles geometrically the flow of relevance, providing one solution to the Topology Problem. We test this architecture, called GravNetNorm, on the task of top jet tagging, and show that it is competitive in tagging accuracy, and uses far fewer computational resources than all other comparable models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google