GraphMDN: Die Nutzung von Graphenstruktur und Deep Learning zur Lösung inverser Probleme

Die kürzliche Einführung von Graph Neural Networks (GNNs) und deren wachsende Beliebtheit in den letzten Jahren haben es ermöglicht, Deep-Learning-Algorithmen auf nicht-euklidische, graphstrukturierte Daten anzuwenden. GNNs haben in einer beeindruckenden Reihe von graphbasierten maschinellen Lernproblemen state-of-the-art Ergebnisse erzielt. Trotzdem hat sich der Großteil der Arbeiten zu GNNs auf die Klassifikation und Einbettungstechniken für Graphen konzentriert, wobei Regressionsaufgaben mit graphstrukturierten Daten weitgehend vernachlässigt wurden. In dieser Arbeit entwickeln wir ein Graph Mixture Density Network (GraphMDN), das Graph Neural Networks mit den Ausgaben von Mixture Density Networks (MDNs) kombiniert. Durch die Verbindung dieser Techniken haben GraphMDNs den Vorteil, dass sie graphstrukturierte Informationen natürlicherweise in eine neuronale Architektur integrieren können und die Fähigkeit besitzen, mehrmodale Regressionsziele zu modellieren. Daher sind GraphMDNs darauf ausgelegt, bei Regressionsaufgaben hervorragende Leistungen zu erbringen, bei denen die Daten graphstrukturiert sind und Zielstatistiken besser durch Dichtemischungen als durch einzelne Werte repräsentiert werden (sogenannte „Inverse Probleme“). Um dies zu demonstrieren, erweitern wir eine bestehende GNN-Architektur, bekannt als Semantic GCN (SemGCN), zu einer GraphMDN-Struktur und zeigen Ergebnisse aus der Pose-Schätzaufgabe des Human3.6M-Datensatzes. Das erweiterte Modell übertrifft beide Architekturen – GCN und MDN – konstant bei vergleichbarer Anzahl von Parametern.