[استعراض فاز جي الجديدة كبسولة خريطة الشبكة العصبية (CapsGNN) هو ولادة إطار جديد للتصنيف على أساس صورة تحت GNN الإلهام. CapsGNN في أداء 10 مجموعات البيانات المرتبة بين اثنين من كبار في 6. مقارنة بجميع العمارة الطرف الآخر، يتم ترتيب التركيز CapsGNN أولا في جميع بيانات الشبكات الاجتماعية.
يوم حول هذا الموضوع حار إطار جديد رديت يسمى "الشبكة العصبية من FIG كبسولة" (CapsGNN) أ. ومن الواضح من اسمها، والتي كانت مستوحاة من مخطط الشبكة العصبية (GNN)، وتحسين على أساس نتائجها.
الكاتب CapsGNN إطار لجامعة نانيانغ التكنولوجية تشانغ شين يى مدرسة الهندسة الكهربائية والإلكترونية، ويهوي تشن في سنغافورة، وسيتم نشر هذه الدراسة في ICLR 2019.
في الوقت الحاضر، وقد تم تطبيق الشبكة العصبية من FIG (GNN) جزءا لا يتجزأ من التطبيقات المستندة إلى جودة عقدة علمت لمختلف العقد، حيث حققت بعض البرامج على أفضل أداء متقدم. ومع ذلك، عندما يتم تضمين تطبيق مع التعلم عقدة GNN يولد الرسومات جزءا لا يتجزأ من العقد تمثل سكالارس قد لا تكون كافية للاحتفاظ العقد الملكية أو نمط كاملة، مما أدى إلى أداء الرسومات جزءا لا يتجزأ من لا يكون الأمثل.
FIG كبسولة الشبكات العصبية (CapsGNN) مستوحاة من الشبكة العصبية كبسولة، وذلك باستخدام مفهوم لحل العيوب التقليدية الخوارزمية كبسولة تضمين على أساس GNN FIG. تم استخراج CapsGNN شكل كبسولة العقد الميزة، وذلك باستخدام آليات التوجيه للقبض على أهمية مستوى نمط المعلومات. وهكذا، فإن تعدد نماذج جزءا لا يتجزأ إنشاؤها من أجل كل عرض تم الاستيلاء عليها من عدد وافر من سمات جوانب مختلفة من FIG.
قد يتم تضمين الاهتمام في وحدة لمعالجة CapsGNN FIG مختلف الأحجام، والسماح للنموذج للتركيز قسم تجهيز أساسي من FIG. من خلال تقييم واسع النطاق للبنية FIG 10 تشير إلى مجموعات البيانات، قد تكون مدفوعة CapsGNN وجود آلية قوية من الخصائص العيانية التقاط البيانات من المخطط بأكمله. عرض العديد من الأداء على مهام أفضل من التكنولوجيا SOTA أخرى.
FIG كبسولة البنية التحتية للشبكة العصبية
ويوضح الشكل نسخة مبسطة من CapsGNN. وهو يتألف من ثلاث وحدات رئيسية هي: 1) استخراج عقدة وحدة قاعدة: GNN لاستخراج ميزة المحلية وجود قمة مختلفة من الحقل تقبلا، ويبني عقدة رئيسية وكبسولة في الوحدة النمطية. 2) رسم بياني رفيع المستوى من وحدة نمطية استخراج كبسولة: اهتمام الحصادات وديناميكية التوجيه وحدة لتوليد عدد وافر من الكبسولات في FIG. 3) وحدة تصنيف FIG: باستخدام ديناميكية التوجيه مرة أخرى تولد فئة تصنيف كبسولة من FIG.
وحدة عناية
في CapsGNN استخراج الكبسولات على كل عقدة رئيسية، أي عدد من الكبسولة الرئيسية يعتمد على حجم دخول. في هذه الحالة، إذا كانت آلية التوجيه تطبيقها مباشرة، مما أدى قيمة رفيعة المستوى من الكبسولة سوف تعتمد إلى حد كبير على عدد من الكبسولات الابتدائية (FIG حجم)، وهذا الوضع ليس مثاليا. ولذلك، فإن إدخال الاهتمام وحدة اختبار في حل هذه المشكلة.
انتباه وحدات الهندسة المعمارية. لشد كبسولة الرئيسية، الشبكة العصبية مرتبطة اثنين من طبقة تماما يولد قيمة انتباه كل كبسولة. استخدامها لتوليد القيمة النهائية على أساس العقد التركيز تطبيع (وتطبيع كل صف). ويتم احتساب قيمة تطبيع بضرب الرئيسية كبسولة نطاق كبسولة.
الإعداد التجريبية والنتائج
ونحن تحقق من طريقة الرسم البياني أداء تضمين مع عدد كبير من SOTA المستخرجة من CapsGNN، ومقارنة الأداء الأمثل لبعض الطرق التقليدية. وبالإضافة إلى ذلك، أجرت دراسة تجريبية لتقييم تأثير الكبسولة الكفاءة FIG ميزة الترميز. ولدت لنا مقابل نوع كبسولة / لفترة وجيزة تحليلها. كما هو مبين في النتائج التجريبية والتحليلية التالية.
يبين الجدول 1 نتائج مجموعات البيانات البيولوجية، الجدول (2) لنتائج مجموعة البيانات الاجتماعي. لكل مجموعة البيانات، وأبرز في عرض جريء اثنين دقة السابقة.
مقارنة مع جميع خوارزميات أخرى، CapsGNN في أداء 10 مجموعات البيانات المرتبة بين أعلى اثنين من ستة، وأيضا على مجموعات البيانات الأخرى لتحقيق نتائج متساوية تقريبا. مقارنة بجميع العمارة الطرف الآخر، يتم ترتيب التركيز CapsGNN أولا في جميع بيانات الشبكات الاجتماعية.
كفاءة كبسولات
في كفاءة كبسولة اختبار التجربة، GNN عدد من الطبقات هو مجموعة إلى L = 3، يتم تعيين عدد من القنوات من كل طبقة لالكلورين = 2. عن طريق ضبط عقدة الأبعاد (DN)، FIG (DG)، وكبسولة الرسوم البيانية، وعدد كبسولة (P) لبناء مختلف CapsGNN.
الشكل (3): يظهر تتميز المقارنة في الكفاءة. يمثل المحور الأفقي العمارة مجموعة الاختبار، ويمثل المحور الرأسي دقة تصنيف NCI1.
كبسولات FIG الشبكة: إطار جديد GNN يستند سريعة وفعالة
CapsGNN هو الإطار الجديد الذي سيتم دمجها في كبسولة GNN من الناحية النظرية، لتحقيق أكثر كفاءة يتعلم FIG. إطار من وحي CapsNet، وإدخال مفهوم الكبسولة في الهيكل الأصلي، استنادا إلى ميزة عقدة المستخرجة من GNN، في شكل ملامح استخراج ناقلات.
باستخدام CapsGNN، أن تكون ممثلة في الرسم البياني كما وافر من التضمين، تضمين كل سمة قد قبض على جوانب مختلفة من FIG. الرسومات ولدت ونوع العبوة لا تستطيع الاحتفاظ فقط المعلومات المتعلقة التصنيف، ويمكن أيضا الاحتفاظ بالمعلومات الأخرى سمة المعلومات FIG يمكن استخدامها في عملية لاحقة. CapsGNN هو الرواية، وسيلة فعالة وقوية ل، نمط بيانات عالية الأبعاد التي تعتمد على البيانات يمكن ان تكون ممثلة.
SOTA مقارنة مع خوارزميات أخرى، CapsGNN نموذج لديه ستة التنفيذ الناجح للأفضل أو مقارنة أداء في 10 المهام تصنيف التخطيط، وفي مجموعة البيانات الاجتماعي هو واضح بشكل خاص. مقارنة مع الهندسة المعمارية أخرى مماثلة على أساس العددية، CapsGNN أكثر كفاءة من حيث الترميز الميزة، وهي مفيدة لمجموعات البيانات الكبيرة.
بعض المعلومات الإضافية عن فتح شفرة المصدر والنموذج
بيانات
سوف رمز الرقم الحصول على التدريب من مجلد المدخلات، خريطة المخزنة في شكل JSON. يتم تخزين اختبار FIG أيضا باسم JSON الملف. كل معرف العقدة والعلامات العقدة يجب أن يبدأ من فهرس 0. قاموس سلسلة رئيسية يتم تخزينها، لذلك رتبت JSON تسلسل.
كل ملف JSON لديه هيكل المفتاح التالي:
حافة الرئيسية (حواف مفتاح) لديه قائمة القيم الحافة، ويستخدم لوصف بنية الاتصال. علامة التبويب مفتاح لكل عقدة وجود التسمية، هذه التسميات كما القاموس - هذا متداخلة في القاموس، هي قيمة العلامة، العقدة معرف هو السندات. مفتاح هدف له قيمة عدد صحيح يمثل أعضاء الطبقة.
تصدير
يتم حفظ النتائج المتوقعة في دليل الإخراج. كل إدراج لديه عنوان ومعرف عمود مع FIG. وأخيرا، سيتم فرز توقعات بواسطة عمود المعرف.
يتكون التدريب CapsGNN نموذج SRC معالجة البرنامج النصي /main.py، والسيناريو يوفر وسائط سطر الأوامر التالية.
أوراق العنوان:
https://openreview.net/pdf؟id=Byl8BnRcYm
الموارد جيثب:
https://github.com/benedekrozemberczki/CapsGNN#outputs
