그래프와 다양체에서 혼합 모델 CNN을 사용한 기하학적 딥 러닝

딥러닝은 음성 인식, 자연어 처리, 컴퓨터 비전 등 여러 분야에서 뛰어난 성능 향상을 이루어냈습니다. 특히, 합성곱 신경망(CNN) 구조는 현재 객체 검출 및 인식과 같은 다양한 이미지 분석 작업에서 최고 수준의 성능을 내고 있습니다. 대부분의 딥러닝 연구는 소리 신호, 이미지 또는 동영상과 같은 1차원, 2차원 또는 3차원 유클리드 구조 데이터를 다루는 데 초점을 맞추어 왔습니다. 최근에는 그래프와 다양체와 같은 비유클리드 구조 데이터에 딥러닝 방법을 일반화하려는 기하학적 딥러닝에 대한 관심이 증가하고 있으며, 이는 네트워크 분석, 계산 사회과학, 컴퓨터 그래픽스 등의 영역에서 다양한 응용 사례를 가지고 있습니다.본 논문에서는 CNN 구조를 비유클리드 영역(그래프와 다양체)으로 일반화하고 로컬, 정상적이고 구성적인 작업 특화 피처를 학습할 수 있는 통합 프레임워크를 제안합니다. 우리는 문헌에서 제안된 다양한 비유클리드 CNN 방법들이 본 프레임워크의 특정 사례로 간주될 수 있음을 보여줍니다. 또한 제안된 방법을 이미지 분석, 그래프 분석 및 3D 형태 분석의 표준 작업에 적용하여 이전 접근 방식보다 일관되게 우수한 성능을 내는 것을 입증합니다.