Repräsentation von Mengen: Neuronale Netze zum Lernen von Mengendarstellungen

In verschiedenen Bereichen können Datenobjekte in Mengen einfacherer Objekte zerlegt werden. Es ist dann naheliegend, jedes Objekt durch die Menge seiner Komponenten oder Teile darzustellen. Viele herkömmliche Maschinelles-Lernen-Algorithmen sind jedoch nicht in der Lage, solche Darstellungen zu verarbeiten, da Mengen in ihrer Kardinalität variieren können und die Elemente keine sinnvolle Ordnung aufweisen. In dieser Arbeit stellen wir eine neue neuronale Netzwerkarchitektur vor, die RepSet genannt wird und Beispiele verarbeiten kann, die als Mengen von Vektoren dargestellt sind. Das vorgeschlagene Modell berechnet die Korrespondenzen zwischen einer Eingabemenge und einigen verborgenen Mengen, indem es eine Reihe von Netzwerkflussproblemen löst. Diese Darstellung wird anschließend einem Standard-Neural-Network-Architektur zugeführt, um das Ausgabeergebnis zu erzeugen. Die Architektur ermöglicht das end-to-end gradientbasierte Lernen. Wir demonstrieren RepSet anhand von Klassifizierungsaufgaben, einschließlich Textkategorisierung und Graphklassifizierung, und zeigen, dass das vorgeschlagene neuronale Netzwerk Leistungen erzielt, die besser oder vergleichbar mit den Standesder-Technik-Algorithmen sind.请注意，"state-of-the-art" 通常在德语中直接使用，因为它已经成为一个广泛接受的技术术语。如果你希望完全使用德语表达，可以将其替换为 "Stand der Technik".