Ein dynamisches Reduktionss Netzwerk für Punktwolken

Die Klassifizierung ganzer Bilder ist ein klassisches Problem im Maschinellen Lernen, und Graph-Neuronale Netze sind eine leistungsfähige Methodologie, um hochirreguläre Geometrien zu lernen. Oft sind bestimmte Teile einer Punktwolke bei der Bestimmung der Gesamtklassifizierung wichtiger als andere. Bei graphbasierten Strukturen begann dies mit dem Pooling von Informationen am Ende von Faltungsfiltern und hat sich zu verschiedenen mehrstufigen Pooling-Techniken auf statischen Graphen entwickelt. In dieser Arbeit wird eine dynamische Graphformulierung des Poolings vorgestellt, die die Notwendigkeit einer vorbestimmten Graphstruktur beseitigt. Dies erreicht sie durch dynamisches Lernen der wichtigsten Beziehungen zwischen den Daten mittels einer Zwischensklusterung. Die Netzwerkarchitektur liefert interessante Ergebnisse hinsichtlich Darstellungsgröße und Effizienz. Sie passt sich zudem leicht an eine Vielzahl von Aufgaben an, von Bildklassifizierung bis zur Energie-Regressionsanalyse in der Hochenergiepartikelphysik.