D-GRIL: End-to-End Topological Learning with 2-parameter Persistence

要約

1 パラメータ永続性を使用したエンドツーエンドのトポロジカル学習はよく知られています。
最近導入された GRIL と呼ばれる 2 パラメーター永続性ベースのベクトル化手法を採用することで、2 パラメーター永続性を使用してフレームワークを強化できることを示します。
D-GRILを生み出すGRILの差別化の理論的基盤を確立します。
D-GRIL を使用して、標準ベンチマーク グラフ データセットの二重濾過関数を学習できることを示します。
さらに、このフレームワークが創薬における生物活性予測の文脈に適用できることを示します。

要約(オリジナル)

End-to-end topological learning using 1-parameter persistence is well-known. We show that the framework can be enhanced using 2-parameter persistence by adopting a recently introduced 2-parameter persistence based vectorization technique called GRIL. We establish a theoretical foundation of differentiating GRIL producing D-GRIL. We show that D-GRIL can be used to learn a bifiltration function on standard benchmark graph datasets. Further, we exhibit that this framework can be applied in the context of bio-activity prediction in drug discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google