本文的作者来自中科院自动化所以及中科院大学人工智能学院。
为了拓展卷积操作到非欧图结构,本文提出了structure-aware convolution(结构感知卷积)将非欧式图与欧式图结构之间的差别抹平。从技术上讲,结构感知卷积中的滤波器被推广到单变量函数,该单变量函数能够聚合具有不同拓扑结构的局部输入。由于单变量函数需要确定无数个参数,所以使用函数逼近理论近似代替单变量函数,最终建立起模型Structure-Aware Convolutional Neural Networks(SACNNs)。在11个数据集上的大量实验有力地证明,SACNNs在各种机器学习任务上表现优于现有模型,包括图像分类和聚类、文本分类、基于骨架的动作识别、分子活动检测和出租车流量预测。
Model
Structure-aware convolution
卷积本质上是一个局部输入和滤波器之间的聚合运算。在实际应用中,局部输入不仅涉及输入值,还涉及拓扑结构(狭义的卷积只能聚合网格结构的拓扑图),因此需要泛化filter到一个单变量函数来聚合不同的拓扑结构。首先,用一维数据来阐释这种泛化。
其中,表示结点i的本地输入,i-m<j<i+m表示了i的所有邻居结点。w与x_j的乘机表示对所有邻居结点的聚合。将w替换成单变量函数f(·),卷积操作就转化