초록
전체 이미지를 분류하는 것은 머신 러닝에서 고전적인 문제이며, 그래프 신경망은 매우 불규칙한 기하학을 학습하기 위한 강력한 방법론입니다. 포인트 클라우드의 일부가 전체 분류를 결정하는 데 있어 다른 부분보다 더 중요할 경우가 많습니다. 그래프 구조에서는 이 문제가 컨볼루션 필터의 끝에서 정보를 풀링하는 것으로 시작되어, 정적 그래프에서 다양한 단계별 풀링 기술로 발전하였습니다. 본 논문에서는 사전에 정해진 그래프 구조의 필요성을 제거하는 동적 그래프 풀링 공식화를 소개합니다. 이는 중간 클러스터링을 통해 데이터 간 가장 중요한 관계를 동적으로 학습함으로써 이를 달성합니다. 네트워크 아키텍처는 표현 크기와 효율성 측면에서 흥미로운 결과를 보여주며, 이미지 분류부터 고에너지 입자 물리학에서의 에너지 회귀까지 다양한 작업에 쉽게 적응할 수 있습니다.