发表于:ICML24
推荐指数: #paper/⭐⭐⭐
本文提出了一种新的自适应异配基,该异配向量的夹角很自然的反应了异配度.基于该异配基,我们重新设计了异配神经网络,其使用了univiseral polynominal basis,被命名为:UniFilter.
设计思想
z
=
∑
k
=
0
K
w
k
(
τ
P
k
x
+
(
1
−
τ
)
u
k
)
\mathbf{z}=\sum_{k=0}^K\mathbf{w}_k(\tau\mathbf{P}^k\mathbf{x}+(1-\tau)\mathbf{u}_k)
z=∑k=0Kwk(τPkx+(1−τ)uk).左面的项类似于多项式基,右面的项是异配基.
流程
多项图过滤器
传统的多项式基可以被归纳为:
z
=
∑
k
=
0
K
w
k
P
k
⋅
x
,
\mathbf{z}=\sum_{k=0}^K\mathbf{w}_k\mathbf{P}^k\cdot\mathbf{x},
z=k=0∑KwkPk⋅x,
其中,
w
k
w_{k}
wk代表可学习的参数,P是传播矩阵.
我们有如下的定理:
定理1:给定一个连接图,同配比为h,考虑到光谱过滤器 F ( w ) = ∑ k = 0 K w k P k \mathrm{F}(\mathbf{w})=\sum_{k=0}^{K}\mathbf{w}_{k}\mathbf{P}^{k} F(w)=∑k=0KwkPk,给定一个特征 x ∈ R n \mathbf{x}\in\mathbb{R}^n x∈Rn,光谱频率 f ( ∑ k = 0 K w k P k x ) f(\sum_{k=0}^K\mathbf{w}_k\mathbf{P}^k\mathbf{x}) f(∑k=0KwkPkx)正比于1-h
这就意味着,理想信号和图的异配比有关.但是,现存的大部分方法忽略了这一点.从而导致次优的性能.
具体的流程:
z
=
∑
k
=
0
K
w
k
(
τ
P
k
x
+
(
1
−
τ
)
u
k
)
\mathbf{z}=\sum_{k=0}^K\mathbf{w}_k(\tau\mathbf{P}^k\mathbf{x}+(1-\tau)\mathbf{u}_k)
z=k=0∑Kwk(τPkx+(1−τ)uk)
y
=
Softmax
(
MLP
(
∑
k
=
0
K
w
k
(
τ
P
k
x
+
(
1
−
τ
)
u
k
)
)
)
\mathbf{y}=\text{Softmax}(\text{MLP}(\sum_{k=0}^K\mathbf{w}_k(\tau\mathbf{P}^k\mathbf{x}+(1-\tau)\mathbf{u}_k)))
y=Softmax(MLP(k=0∑Kwk(τPkx+(1−τ)uk)))
通常来说,我们定义传播矩阵:
P
=
I
−
L
\mathbf{P=I-L}
P=I−L.那么,K+1阶的同配基可以定义为:
{
x
,
P
x
,
⋯
,
P
K
x
}
\{\mathbf{x},\mathbf{P}\mathbf{x},\cdots,\mathbf{P}^K\mathbf{x}\}
{x,Px,⋯,PKx}.但是,其会产生一个问题:
理论2 存在整数 η ∈ N when k ≥ η , \eta \in N\text{ when }k\geq \eta, η∈N when k≥η, arccos ( P k x ⋅ P k + 1 x ∥ P k x ∥ ∥ P k + 1 x ∥ ) → 0 \arccos\left(\frac{\mathbf{P}^k\mathbf{x}\cdot\mathbf{P}^{k+1}\mathbf{x}}{\|\mathbf{P}^k\mathbf{x}\|\|\mathbf{P}^{k+1}\mathbf{x}\|}\right)\to_{}0 arccos(∥Pkx∥∥Pk+1x∥Pkx⋅Pk+1x)→0
同质基存在逐渐的相似性和渐进的收敛性,这导致过平滑问题.
理论3 给顶一个图G,一个随机基信号x,和一个全一的向量 ϕ \phi ϕ,有 f ( ϕ ) = 0 f(\phi)=0 f(ϕ)=0,假设 θ : = arccos ( ϕ ⋅ x ) \theta:=\arccos(\phi \cdot x) θ:=arccos(ϕ⋅x)表示 x x x和 ϕ \phi ϕ的夹角.这可以标明G的光谱信号是随着 θ \theta θ的逐渐增加而增加,其中 θ ∈ [ 0 , π / 2 ) \theta \in[0,\pi/ 2_{)} θ∈[0,π/2)
定理2标明了随着k的增加,基的夹角逐渐变为0.为了解决这个问题,我们可以让基的夹角为一个固定值
θ
\theta
θ.
定理1证明理想的光谱信号正比于1-h.我们根据经验设置夹角为
θ
:
=
π
2
(
1
−
h
)
\theta:=\frac{\pi}{2}(1-h)
θ:=2π(1−h).
这样,我们进行如下的算法去计算同配基:
现在依次解释上面的部分:
x是初始的特征,P是
I
−
L
I-L
I−L,第三步即线代的正交化.
t
k
=
(
s
k
−
1
⊤
u
k
−
1
k
cos
θ
)
2
−
(
k
−
1
)
cos
θ
+
1
k
.
t_k=\sqrt{\left(\frac{\mathbf{s}_{k-1}^\top\mathbf{u}_{k-1}}{k\cos\theta}\right)^2-\frac{(k-1)\cos\theta+1}k}.
tk=(kcosθsk−1⊤uk−1)2−k(k−1)cosθ+1.h是同配比.
我们很容易可得:
u
i
⋅
u
j
=
{
cos
(
(
1
−
h
)
π
2
)
i
f
i
≠
j
,
1
i
f
i
=
j
.
\mathbf{u}_i\cdot\mathbf{u}_j=\begin{cases}\cos(\frac{(1-h)\pi}2)&if i\neq j,\\1&if i=j.\end{cases}
ui⋅uj={cos(2(1−h)π)1ifi=j,ifi=j.
另外一种解释:
理论4 给定矩阵 P θ ∈ R n × n P_{\theta} \in \mathbb{R}^{n\times n} Pθ∈Rn×n是一个旋转矩阵,那么存在一个酉矩阵 U ∈ C n × n U \in \mathbb{C}^{n \times n} U∈Cn×n,有: R ( θ ) : = U − 1 P θ U \mathbf{R}(\theta):=\mathbf{U}^{-1}\mathbf{P}_\theta\mathbf{U} R(θ):=U−1PθU
R
(
θ
)
=
(
cos
θ
−
sin
(
θ
)
0
⋯
sin
(
θ
)
cos
θ
0
⋯
0
0
1
⋯
⋯
⋯
0
0
⋯
1
)
.
\mathbf{R}(\theta)=\begin{pmatrix}\cos\theta&-\sin(\theta)&0&\cdots\\\sin(\theta)&\cos\theta&0&\cdots\\0&0&1&\cdots\\&&\cdots&\cdots\\0&0&\cdots&1\end{pmatrix}.
R(θ)=
cosθsin(θ)00−sin(θ)cosθ00001⋯⋯⋯⋯⋯⋯1
.
这样,UniFilter可以被改写为:
z
=
∑
k
=
0
K
w
k
(
(
τ
P
k
+
(
1
−
τ
)
P
θ
,
k
)
x
)
,
\mathbf{z}=\sum_{k=0}^K\mathbf{w}_k\left((\tau\mathbf{P}^k+(1-\tau)\mathbf{P}_{\theta,k})\mathbf{x}\right),
z=k=0∑Kwk((τPk+(1−τ)Pθ,k)x),
效果:特别好
总结
思路清晰,实验结果特别好.一环扣一环.