【LITIS Lab】衔接图卷积神经网络谱域和空间域,Spectral and Spatial Domains in GNN

2020 年 3 月 30 日 专知


本文旨在通过弥补图卷积的频谱设计和空间设计之间的差距,重新探讨图卷积神经网络。从理论上证明了图卷积过程在空间和谱域上的等价性。得到的通用框架允许对最流行的卷积神经网络进行光谱分析,解释它们的性能并显示它们的局限性。此外,该框架还用于设计具有自定义频率轮廓的谱域新卷积,并将其应用于空间域。我们还提出了图卷积网络深度可分卷积框架的推广,该框架允许通过保持模型的容量来减少可训练参数的总数。据我们所知,这样的框架从未在GNNs文献中使用过。我们的建议是评估两个转导和归纳图学习问题。实验结果表明了该方法的有效性,为光谱滤波系数在图像间的可转移性提供了实验依据。我们的源代码是公开的:这个https URL

https://www.zhuanzhi.ai/paper/4a303ab11b98511af98a4643e1708d73



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“GNNS” 就可以获取衔接图卷积神经网络谱域和空间域》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
5

相关内容

【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
【ICML2020】持续图神经网络,Continuous Graph Neural Networks
专知会员服务
149+阅读 · 2020年6月28日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
181+阅读 · 2020年4月26日
【阿里巴巴-CVPR2020】频域学习,Learning in the Frequency Domain
八篇NeurIPS 2019【图神经网络(GNN)】相关论文
专知会员服务
43+阅读 · 2020年1月10日
【中科院计算所】图卷积神经网络及其应用
【CVPR2019教程】视频理解中的图表示学习
专知
43+阅读 · 2019年6月20日
Network Embedding 指南
专知
21+阅读 · 2018年8月13日
Graph Analysis and Graph Pooling in the Spatial Domain
Arxiv
15+阅读 · 2019年4月4日
Arxiv
10+阅读 · 2018年2月4日
VIP会员
Top
微信扫码咨询专知VIP会员