論文の概要: GCNext: Towards the Unity of Graph Convolutions for Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2312.11850v1
• Date: Tue, 19 Dec 2023 04:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 17:00:28.690516
• Title: GCNext: Towards the Unity of Graph Convolutions for Human Motion Prediction
• Title（参考訳）: GCNext:人間の動き予測のためのグラフ畳み込みの統一を目指して
• Authors: Xinshun Wang, Qiongjie Cui, Chen Chen, Mengyuan Liu
• Abstract要約: 本稿では,異なるグラフ畳み込みを特殊ケースとして再概念化する新しいグラフ畳み込み概念であるユニバーサルグラフ畳み込み(UniGC)を提案する。 本稿では,GCN構築パラダイムであるGCNextを提案する。 Human3.6M、AMASS、および3DPWデータセットの実験により、GCNextは最先端の性能を達成する上で、既存のGCN法よりも最大9倍低い計算コストが得られることが示された。
• 参考スコア（独自算出の注目度）: 15.645701535400875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The past few years has witnessed the dominance of Graph Convolutional Networks (GCNs) over human motion prediction.Various styles of graph convolutions have been proposed, with each one meticulously designed and incorporated into a carefully-crafted network architecture. This paper breaks the limits of existing knowledge by proposing Universal Graph Convolution (UniGC), a novel graph convolution concept that re-conceptualizes different graph convolutions as its special cases. Leveraging UniGC on network-level, we propose GCNext, a novel GCN-building paradigm that dynamically determines the best-fitting graph convolutions both sample-wise and layer-wise. GCNext offers multiple use cases, including training a new GCN from scratch or refining a preexisting GCN. Experiments on Human3.6M, AMASS, and 3DPW datasets show that, by incorporating unique module-to-network designs, GCNext yields up to 9x lower computational cost than existing GCN methods, on top of achieving state-of-the-art performance.
• Abstract（参考訳）: 近年,人の動き予測に対するGCN(Graph Convolutional Networks)の優位性を目の当たりにしてきた。グラフ畳み込みのさまざまなスタイルが提案され,それぞれが慎重に設計され,慎重に構築されたネットワークアーキテクチャに組み込まれている。 本稿では,異なるグラフ畳み込みを特殊ケースとして再概念化する新しいグラフ畳み込み概念であるユニバーサルグラフ畳み込み(UniGC)を提案する。 ネットワークレベルでunigcを活用することで、サンプルとレイヤの両方で最適なグラフ畳み込みを動的に決定する、新しいgcn構築パラダイムであるgcnextを提案する。 GCNextは、スクラッチから新しいGCNをトレーニングしたり、既存のGCNを書き換えたりするなど、複数のユースケースを提供する。 Human3.6M、AMASS、および3DPWデータセットの実験により、GCNextは、ユニークなモジュール・ツー・ネットワークの設計を取り入れることで、最先端の性能を達成する上で、既存のGCNメソッドよりも最大9倍低い計算コストが得られることが示された。

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)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Beyond Graph Convolutional Network: An Interpretable Regularizer-centered Optimization Framework [12.116373546916078]
  グラフ畳み込みネットワーク(GCN)は、性能向上と強力な一般化により、広く注目を集めている。 本稿では,ほとんどのGCNを解釈可能な正規化器中心最適化フレームワークを提案する。 提案フレームワークでは,グラフデータからトポロジとセマンティック構造を捉えるために,二重正規化グラフ畳み込みネットワーク(dubed tsGCN)を考案した。
  論文  参考訳（メタデータ） (2023-01-11T05:51:33Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
  本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。 また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。 我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-07-19T15:26:50Z)
• Connecting Graph Convolutional Networks and Graph-Regularized PCA [23.592657600394215]
  GCNモデルのグラフ畳み込み演算子は、もともとスペクトルグラフ畳み込みの局所化一階近似から動機付けられたものである。 グラフ畳み込みとグラフ正規化PCA(GPCA)のテキスト数学的接続を確立する。
  論文  参考訳（メタデータ） (2020-06-22T14:27:02Z)
• DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
  グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。 非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。 本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
  論文  参考訳（メタデータ） (2020-06-13T23:00:22Z)
• Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
  本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。 理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
  論文  参考訳（メタデータ） (2020-06-12T17:12:51Z)
• Directed Graph Convolutional Network [15.879411956536885]
  スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2020-04-29T06:19:10Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)
• Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
  本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。 提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。 また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
  論文  参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。