DGCNN: Ungeordnetes Graphenkonvolutionales Neuronales Netzwerk basierend auf dem Gaußschen Mischmodell

Faltungsschichtneuronale Netze (CNNs) können auf die Graphähnlichkeitsabgleichung angewendet werden, wobei sie als Graph-CNNs bezeichnet werden. Graph-CNNs erlangen zunehmend an Bedeutung aufgrund ihrer Effektivität und Effizienz. Dennoch konzentrieren sich die bestehenden Faltungsmethoden nur auf reguläre Datenformen und erfordern die Transformation des Graphen oder der Schlüsselknotennachbarschaften des Graphen in eine identische feste Form. In diesem Transformationsprozess kann strukturelle Information des Graphen verloren gehen und redundante Informationen können hinzugefügt werden. Um dieses Problem zu überwinden, schlagen wir das ungeordnete Graph-Faltungsschichtneuronale Netzwerk (DGCNN) vor, das auf dem gemischten Gauß-Modell basiert und die CNN durch Hinzufügen einer Vorsverarbeitungsschicht namens ungeordnete Graph-Faltungsschicht (DGCL) erweitert. Die DGCL verwendet eine gemischte Gauß-Funktion, um die Abbildung zwischen dem Faltungsfilter und den Knoten in der Nachbarschaft des Graphen zu realisieren. Die Ausgabe der DGCL dient als Eingabe für das CNN. Wir implementieren zudem einen Rückwärtspropagations-Optimierungsprozess der Faltungsschicht, durch den wir ein Merkmalslernmodell für die unregelmäßige Knotennachbarschaftsstruktur ins Netzwerk integrieren. Anschließend wird die Optimierung des Faltungsfilters Teil des Lernprozesses des Neuronalen Netzes. Das DGCNN kann beliebig skalierte und ungeordnete Nachbarschaftsgraphstrukturen als Rezeptorfelder von CNNs akzeptieren, was den Informationsverlust während der Graphtransformation reduziert. Schließlich führen wir Experimente mit mehreren Standardgraphdatensätzen durch. Die Ergebnisse zeigen, dass das vorgeschlagene Verfahren den Stand der Technik in Bezug auf Graphklassifikation und -retrieval übertreffen kann.请注意，虽然您的要求中提到“使其更符合法语读者的阅读习惯”，但您需要的是德语翻译。因此，我在翻译时考虑了德语读者的阅读习惯。希望这能帮助到您！