1. Résumé

Publié dansTVCG 2021Journal
Introduction en un mot： Générer des nuages ponctuels Convertir en La topologie exprime le problème de l'apprentissage pour résoudre.

2. Le mobile

Capture des caractéristiques：Utiliser un modèle de mélange hiérarchique= Self-attention + Tree Structure
Générateur：Méthode non supervisée

3. Méthodes

3.1 Cadre général：

Le modèle de construction comprend deux modules ：OGC + SAG

OGC：2- Oui.BAN Le module est venu échantillonner $Z$ + $\varphi$ La fonction ajuste les informations héritées du noeud Enfant . Juste quelques structures graphiques de base .

SAG： Module de mécanisme d'auto - Attention basé sur le réseau graphique

Essentiellement grâce à la structure graphique + Mode d'auto - Surveillance

3.2 OGCEn blocBANModule：

BAN： branching and adjustment Network.

Initialisation de la figure

BANDéfinition：En bas à gauche

Lors de l'initialisation du dessin préliminaire BAN Défini comme une formule （1）

${\varphi }_{\alpha }$ ${\varphi }_{\beta }$ Est utilisé pour ajuster le poids de l'héritage de l'information , ${\mathbf{W}}_b$ Est une matrice d'apprentissage .
Tous les$\varphi$La fonction est utilisée pourMPLRéalisation.
${\mathbf{X}}^{(0)}$: C'est latent code $Z$
${\mathbf{X}}^{(l)}$:Au niveau$l$Caractéristiques

Figure convolution

En gros, c'est la convolution laplacienne du graphique , C'est la transformation de Fourier du graphique . Une forme laplacienne normalisée comme une formule （2）

Définir le spectre et le noyau de convolution ：
Dans la formule $U$ Et le triangle fenbieshi $L$ Matrice caractéristique et diagonale de . $f_{\theta }Tableau(En\; milliers\; de\; dollars\; des\; États\; -\; Unis)Super.VoirNombreDeVol.Produit$

AdoptionChebyshev Les polynômes peuvent être réécrits en formules （4）：
${\lambda }_{max}$: $\mathbf{L}$Valeur caractéristique de
${\mathbf{P}}_k$: $K$ÉtapesChebyshevLe polynôme$k$Item (s)

Pour lisser la convolution ,Ici. - Oui.$\frac{2}{{\lambda }_{max}}\mathbf{L}$Approche$\mathbf{I}_N $.Selon[13], ${\lambda }_{max}=2$.
La formule peut donc être simplifiée （4）Pour la formule（5）：

Donc,, Ceci donne une version généralisée de la convolution spectrale , Défini comme la formule suivante ：

${\mathbf{A}}_g=\mathbf{A}+{\mathbf{I}}_N$
${\mathbf{D}}_g$: ${\mathbf{A}}_g$Matrice des degrés de
$\mathbf{X}\in R^{N\times C}$: Signal graphique ,Ici.C Est le nombre de canaux d'entrée .

3.3 SAGN：

attentionModule：

En fait, il s'agit d'améliorer le poids des caractéristiques du graphique .

self-attention Les scores sont définis comme Formule7：

Parmi eux$\sigma$- Oui.tanhActiver la fonction,$Z_G$ C'est la convolution spectrale , Défini comme une formule 6：

Matrice de degré moyen：${\mathbf{A}}_g=\mathbf{A}+{\mathbf{I}}_N$, ${\mathbf{D}}_g$
Signal graphique ：$\mathbf{X}\in {\mathbb{R}}^{N\times C}$,Parmi eux$C$ Est le nombre de canaux d'entrée

Apprentissage de graphiques dynamiques：

Selonself-attention ${\mathbf{S}}_G$ Pour augmenter le poids d'initialisation ,Comme la formule8

SGAN Branche gauche du module ,À gauche de la figure ci - dessous：

SGAN Branche droite du module branch,À droite de la figure ci - dessous：

SGANSortie du module：

Ici.${\varphi }_3$Et${\varphi }_4$AvecMLP.

3.4 Formation

En gros,WGANMode d'entraînement, Cet article introduit des termes de pénalité et de normalisation .

4. L'expérience

Voir les effets de la tâche Build ：

Visualisation：

Analyse d'échantillons difficiles ：

Expérience d'ablation： Il montre que le gradient de pénalité peut entraîner l'effondrement du mode potentiel du service à la clientèle du réseau .

5. Discussion

La conception et le traitement d'un cadre étendu qui peut être compris comme un nuage Image - point .