HyperAIHyperAI
il y a 2 mois

GraphMDN : Exploiter la structure de graphe et l'apprentissage profond pour résoudre des problèmes inverses

Oikarinen, Tuomas P. ; Hannah, Daniel C. ; Kazerounian, Sohrob
GraphMDN : Exploiter la structure de graphe et l'apprentissage profond pour résoudre des problèmes inverses
Résumé

L'introduction récente des Réseaux Neuronaux sur Graphes (RNG) et leur popularité croissante au cours des dernières années ont permis l'application d'algorithmes d'apprentissage profond à des données structurées en graphes et non euclidiennes. Les RNG ont obtenu des résultats de pointe dans une impressionnante gamme de problèmes d'apprentissage automatique basés sur les graphes. Cependant, malgré leur rythme rapide de développement, la plupart des travaux sur les RNG se sont concentrés sur la classification et les techniques d'embedding de graphes, négligeant largement les tâches de régression sur les données de graphes. Dans cet article, nous développons un Réseau de Densité Mélange sur Graphes (GraphMDN), qui combine les réseaux neuronaux sur graphes avec des sorties de réseaux de densité mélange (MDN). En combinant ces techniques, les GraphMDN bénéficient du fait qu'ils peuvent naturellement intégrer des informations structurées en graphes dans une architecture neuronale, ainsi que de la capacité à modéliser des cibles de régression multi-modales. Par conséquent, les GraphMDN sont conçus pour exceller dans les tâches de régression où les données sont structurées en graphes et où les statistiques cibles sont mieux représentées par des mélanges de densités plutôt que par des valeurs uniques (les problèmes soi-disant « inverses »). Pour démontrer cela, nous étendons une architecture RNG existante connue sous le nom de Semantic GCN (SemGCN) à une structure GraphMDN, et nous présentons des résultats issus de la tâche d'estimation de pose Human3.6M. Le modèle étendu dépasse constamment les performances des architectures GCN et MDN prises séparément, avec un nombre comparable de paramètres.