Convolutional Neural Networks erleben derzeit einen bedeutenden Erfolg bei verschiedenen Aufgaben der Mustererkennung. Diese Lernmodelle wurden ursprünglich für vektorielle Daten wie Bilder konzipiert, doch deren Erweiterung auf nicht-vektoriale und halbstrukturierte Daten – insbesondere Graphen mit variabler Größe, Topologie usw. – bleibt eine große Herausforderung, obwohl derzeit einige vielversprechende Lösungen entstehen. In diesem Artikel stellen wir MLGCN vor: ein neuartiges spektrales Multi-Laplacian-Graph-Convolutional Network. Der zentrale Beitrag dieser Methode liegt in einem neuen Designprinzip, das Graph-Laplacian-Matrizen als konvexe Kombinationen einfacher, elementarer Laplacian-Matrizen lernt – wobei jeder dieser Basis-Laplacianen einer spezifischen Topologie der Eingabegraphen zugeordnet ist. Zudem führen wir einen neuartigen Pooling-Operator für Graphen ein, der in zwei Schritten arbeitet: Zunächst erfolgt eine kontextabhängige Erweiterung der Knoten, gefolgt von einer globalen Durchschnittspooling-Operation. Die Stärke dieses zweistufigen Prozesses liegt in seiner Fähigkeit, die Diskriminativkraft der Knoten zu bewahren, gleichzeitig jedoch Permutationsinvarianz zu gewährleisten. Experimente an den Datensätzen SBU und UCF-101 bestätigen die Wirksamkeit unserer Methode für die anspruchsvolle Aufgabe der Aktenerkennung.Zusatzmaterial: https://bit.ly/2ku2lYv