图卷积运算符将深度学习的优势引入到各种以前认为无法实现的图和网格处理任务中。随着他们的不断成功,人们希望设计更强大的架构,通常是通过将现有的深度学习技术应用于非欧几里德数据。在这篇论文中,我们认为在新兴的几何深度学习领域,几何应该保持创新的主要驱动力。我们将图神经网络与广泛成功的计算机图形学和数据近似模型:径向基函数(RBFs)联系起来。我们推测,与RBFs一样,图卷积层将受益于将简单函数添加到强大的卷积内核中。我们引入了仿射跳跃连接,这是一种将全连通层与任意图卷积算子相结合而形成的新型构造块。通过实验验证了该方法的有效性,表明改进的性能不仅仅是参数数目增加的结果。在我们评估的每一项任务中,配备了仿射跳跃连接的操作人员都显著地优于他们的基本性能。形状重建,密集形状对应,和图形分类。我们希望我们的简单而有效的方法将作为一个坚实的基线,并有助于缓解未来在图神经网络的研究。

成为VIP会员查看完整内容
55

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【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
145+阅读 · 2020年6月28日
【MIT-ICML2020】图神经网络的泛化与表示的局限
专知会员服务
41+阅读 · 2020年6月23日
【CVPR2020-港中文】 图像识别中的自注意力探索
专知会员服务
55+阅读 · 2020年4月29日
【CVPR2020-百度】用于视觉识别的门控信道变换
专知会员服务
12+阅读 · 2020年3月30日
五篇 ICCV 2019 的【图神经网络(GNN)+CV】相关论文
专知会员服务
14+阅读 · 2020年1月9日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
103+阅读 · 2019年11月27日
【NeurIPS2019】图变换网络:Graph Transformer Network
【论文笔记】自注意力图池化
专知
78+阅读 · 2019年11月18日
跳出公式,看清全局,图神经网络(GCN)原理详解
AI科技评论
64+阅读 · 2019年9月22日
重新思考图卷积网络:GNN只是一种滤波器
新智元
27+阅读 · 2019年6月3日
【泡泡点云时空】FlowNet3D:学习三维点云中的场景流
泡泡机器人SLAM
41+阅读 · 2019年5月19日
Geometric Graph Convolutional Neural Networks
Arxiv
10+阅读 · 2019年9月11日
Arxiv
8+阅读 · 2018年5月24日
Arxiv
9+阅读 · 2018年2月4日
Arxiv
6+阅读 · 2018年1月11日
VIP会员
微信扫码咨询专知VIP会员