論文の概要: RBF-GNN: Rational Basis Functions for Pseudo-Coordinate based Graph Convolutions

• arxiv url: http://arxiv.org/abs/2609.37015v2
• Date: Wed, 30 Sep 2026 09:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.210812
• Title: RBF-GNN: Rational Basis Functions for Pseudo-Coordinate based Graph Convolutions
• Title（参考訳）: RBF-GNN:疑似コーディネートグラフ畳み込みのための合理的基底関数
• Abstract要約: 本稿では,新しい疑似協調型グラフニューラルネットワークアーキテクチャであるRBF-GNNを提案する。 ユークリッド座標、球面座標、角座標を用いて、強力な空間帰納バイアスを誘導する。 我々は、セマンティックキーポイントマッチング、形状マッチング、イベントベースのカメラコンピュータビジョンタスクを含む改善された結果を達成する。
• 参考スコア（独自算出の注目度）: 12.073524103609572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose RBF-GNN, a new pseudo-coordinate based graph neural network architecture that takes into account Euclidean, spherical or angular coordinates and uses them to induce a powerful spatial inductive bias. Similar in architecture to SplineCNN, we improve upon the latter by replacing the less efficient sparse-activation based B-splines whose number grows exponentially with dimension by rational Padé basis functions. For effective training we propose a spline-subspace initialization and a variance-preserving weight rescaling. Experimentally, we evaluate on a number of popular neural network architectures that use SplineCNNs. We replace only the SplineCNNs with RBF-GNN. We achieve improved results, including on semantic keypoint matching, shape matching, event based camera computer vision tasks. Code is available at https://github.com/pawelswoboda/RationalBasisCNN.
• Abstract（参考訳）: 我々は、ユークリッド、球面、角座標を考慮した新しい擬座標グラフニューラルネットワークアーキテクチャRBF-GNNを提案し、それらを用いて強力な空間帰納バイアスを誘導する。 アーキテクチャは SplineCNN に似ており、より効率の悪いスパースアクティベーションベースの B-スプラインを有理パデ基底関数で指数関数的に増加する次元に置き換えることで、後者を改良する。 効果的なトレーニングのために,スプラインサブスペースの初期化と分散保存重み再スケーリングを提案する。 実験により,SplineCNNを用いたニューラルネットワークアーキテクチャの評価を行った。 SplineCNNのみをRBF-GNNに置き換える。 我々は、セマンティックキーポイントマッチング、形状マッチング、イベントベースのカメラコンピュータビジョンタスクを含む改善された結果を達成する。 コードはhttps://github.com/pawelswoboda/RationalBasisCNNで公開されている。

関連論文リスト

• Barycentric Neural Networks and Length-Weighted Persistent Entropy Loss: A Green Geometric and Topological Framework for Function Approximation [0.0]
  BNN(Barycentric Neural Network)は,構造とパラメータを固定されたベースポイントと関連するバリ中心座標によってエンコードする,コンパクトな浅層アーキテクチャである。 我々は,BNNが連続的部分的線形関数(CPLF)の正確な表現を可能にし,セグメント間の厳密な連続性を保証することを示す。 提案手法は,内部パラメータではなく,BNNを定義するベースポイントを最適化するために,LWPEに基づく損失関数とBNNを統合している。
  論文  参考訳（メタデータ） (2025-09-08T13:47:21Z)
• Approximating Signed Distance Fields of Implicit Surfaces with Sparse Ellipsoidal Radial Basis Function Networks [2.1095001084842595]
  暗示表面の符号付き距離関数(SDF)の正確な表現は、3次元幾何学の効率的な記憶、計算、下流処理に不可欠である。 比較的少数の楕円基底関数(ERBF)を用いて暗黙曲面のSDF場を近似する一般学習法を提案する。 提案手法は,既存の暗黙的表現手法よりもパラメータが少なく,精度,堅牢性,計算効率を向上できる。
  論文  参考訳（メタデータ） (2025-05-05T04:16:16Z)
• 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)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• Lookup subnet based Spatial Graph Convolutional neural Network [3.119764474774276]
  本研究では,CNNを非ユークリッド領域に自然に一般化するクロス相関グラフ畳み込み法を提案する。 提案手法は,3つの確立されたグラフベンチマークにおいて,最先端の実績を達成あるいは一致させた。
  論文  参考訳（メタデータ） (2021-02-04T13:05:30Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。