Wenn Arbeit zählt: Transformation klassischer Netzwerkstrukturen zu Graph-CNN

Numerous Anwendungen der Mustererkennung können als Lernen aus graphstrukturierten Daten formuliert werden, darunter soziale Netzwerke, Protein-Interaktionsnetze, World Wide Web-Daten und Wissensgraphen. Obwohl die Faltungsschichtneuronale Netze (CNN) große Fortschritte bei Aufgaben zur Verarbeitung von gitterförmigen Bildern/Videos ermöglicht haben, wurde bisher sehr wenig Aufmerksamkeit darauf verwandt, diese erfolgreichen Netzstrukturen (einschließlich Inception-Netz, Residual-Netz, Dense-Netz usw.) zu transformieren, um Faltungsnetze auf Graphen aufzubauen. Dies liegt an der Irregularität und Komplexität geometrischer Topologien (unsortierte Knoten, variable Anzahl benachbarter Kanten/Knoten).In dieser Arbeit streben wir danach, eine umfassende Analyse darüber durchzuführen, wann bestimmte Ansätze relevant sind, indem wir verschiedene klassische Netzstrukturen in graphbasierte CNNs transformieren, insbesondere im Bereich des grundlegenden Graphenerkennungsproblems. Zunächst überblicken wir die allgemeinen Methoden der graphbasierten CNNs, insbesondere ihre Spektralfilteroperationen auf irregulären Graphendaten. Danach führen wir die grundlegenden Strukturen von ResNet, Inception und DenseNet in den Kontext der graphbasierten CNNs ein und bauen diese Netzstrukturen auf Graphen auf; sie werden als G_ResNet, G_Inception und G_DenseNet bezeichnet.Insbesondere soll dies dazu beitragen, graphbasierten CNNs zu helfen, indem es Licht auf die Funktionsweise dieser klassischen Netzstrukturen wirft und Richtlinien für die Auswahl geeigneter Graphnetzwerkrahmen bereitstellt. Schließlich bewerten wir die Leistung dieser verschiedenen Netzstrukturen anhand mehrerer öffentlicher Graphendatensätze (einschließlich sozialer Netzwerke und bioinformatischer Datensätze) umfassend und zeigen auf, wie sich unterschiedliche Netzstrukturen bei der Erkennungsaufgabe in graphbasierten CNNs verhalten.