論文の概要: Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs

• arxiv url: http://arxiv.org/abs/2003.05425v3
• Date: Fri, 19 Nov 2021 12:00:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 13:19:31.031132
• Title: Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs
• Title（参考訳）: Gauge Equivariant Mesh CNNs:幾何グラフ上の異方的畳み込み
• Authors: Pim de Haan, Maurice Weiler, Taco Cohen and Max Welling
• Abstract要約: メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 81.12344211998635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common approach to define convolutions on meshes is to interpret them as a graph and apply graph convolutional networks (GCNs). Such GCNs utilize isotropic kernels and are therefore insensitive to the relative orientation of vertices and thus to the geometry of the mesh as a whole. We propose Gauge Equivariant Mesh CNNs which generalize GCNs to apply anisotropic gauge equivariant kernels. Since the resulting features carry orientation information, we introduce a geometric message passing scheme defined by parallel transporting features over mesh edges. Our experiments validate the significantly improved expressivity of the proposed model over conventional GCNs and other methods.
• Abstract（参考訳）: メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 このようなGCNは等方的核を利用しており、したがって頂点の相対配向やメッシュ全体の幾何学には無関心である。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 この結果から,メッシュエッジ上の並列輸送機能によって定義される幾何学的メッセージパッシング方式を導入する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Geometric Generative Models based on Morphological Equivariant PDEs and GANs [3.6498648388765513]
  群畳み込みニューラルネットワーク(G-CNN)のための等変偏微分方程式(PDE)に基づく幾何学的生成モデルを提案する。 提案手法は, PDE-G-CNNにおける形態的同変畳み込みを用いて, GM-GAN (Geological morphological GAN) を求める。 予備的な結果は、GM-GANモデルが古典的GANより優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-22T01:02:09Z)
• Geometrical aspects of lattice gauge equivariant convolutional neural networks [0.0]
  格子ゲージ同変畳み込みニューラルネットワーク(L-CNN)は、非アベリア格子ゲージ理論に適用可能な畳み込みニューラルネットワークの枠組みである。
  論文  参考訳（メタデータ） (2023-03-20T20:49:08Z)
• E(n)-equivariant Graph Neural Cellular Automata [4.168157981135698]
  我々は、E(n)-GNCAsと呼ばれる等方的オートマトンを提案する。 これらのモデルは軽量だが、それでも大きなグラフを扱い、複雑なダイナミクスを捉え、創発的な自己組織化行動を示すことができる。 3つのタスクにおいて,E(n)-GNCAの広範かつ良好な適用性を示す。
  論文  参考訳（メタデータ） (2023-01-25T10:17:07Z)
• Geometric Scattering on Measure Spaces [12.0756034112778]
  測度空間上での幾何散乱の一般統一モデルを導入する。 未知多様体をランダムにサンプリングして得られる有限測度空間を考える。 本稿では, 関連するグラフ散乱変換が基礎多様体上の散乱変換を近似するデータ駆動グラフを構築するための2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-08-17T22:40:09Z)
• ChebLieNet: Invariant Spectral Graph NNs Turned Equivariant by Riemannian Geometry on Lie Groups [9.195729979000404]
  ChebLieNet は(異方性)多様体上の群同変法である。 異方性畳み込み層からなるグラフニューラルネットワークを開発した。 CIFAR10上の異方性パラメータに対する(データに依存した)スイートスポットの存在を実証的に証明した。
  論文  参考訳（メタデータ） (2021-11-23T20:19:36Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• Coordinate Independent Convolutional Networks -- Isometry and Gauge Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
  平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。 コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。 座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
  論文  参考訳（メタデータ） (2021-06-10T19:54:19Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。