초록
현재 컨볼루셔널 신경망은 다양한 패턴 인식 문제에서 큰 성공을 거두고 있다. 이러한 학습 모델은 기본적으로 이미지와 같은 벡터형 데이터를 처리하도록 설계되었지만, 비벡터형 및 반구조화된 데이터(즉, 크기와 위상 구조가 변할 수 있는 그래프 등)로의 확장은 여전히 주요 과제로 남아 있다. 다만 최근 몇 가지 흥미로운 해결 방안들이 등장하고 있다. 본 논문에서는 새로운 스펙트럴 다중라플라시안 그래프 컨볼루션 네트워크(Multi-Laplacian Graph Convolutional Network, MLGCN)를 제안한다. 이 방법의 주요 기여점은 입력 그래프의 특정 위상 구조에 각각 맞춤형으로 설계된 기본 라플라시안들에 대한 볼록 조합으로 그래프 라플라시안을 학습하는 새로운 설계 원리에 있다. 또한 그래프 기반의 새로운 풀링 연산자를 도입하였으며, 이는 두 단계로 구성된다. 첫 번째 단계에서는 맥락에 따라 노드를 확장하고, 두 번째 단계에서는 전역 평균 풀링을 수행한다. 이 이중 단계 과정의 강점은 노드의 구분 능력을 유지하면서도 순열 불변성(Permutation Invariance)을 달성할 수 있다는 점에 있다. SBU 및 UCF-101 데이터셋에서 수행한 실험 결과는 본 방법이 행동 인식이라는 도전적인 과제에 대해 유효함을 보여준다.보충 자료: https://bit.ly/2ku2lYv