جاسازی گراف و یادگیری گره در منیفولدهای Grassmann

چکیده و 1. مقدمه

  1. مقدماتی

  2. رویکرد پیشنهادی

    3.1 علامت گذاری

    3.2 شبکه های عددی در منیفولدهای SPD

    3.3 MLR در فضاهای ساختاری

    3.4 شبکه های عصبی در منیفولدهای گراسمن

  3. آزمایش ها

  4. نتیجه گیری و مراجع

الف. نمادها

ب. MLR در فضاهای سازه

ج. فرمول بندی MLR از منظر فاصله تا هایپرپلن

د. شناخت عمل انسانی

E. طبقه بندی گره

F. محدودیت های کار ما

ز. برخی از تعاریف مرتبط

H. محاسبه نمایش متعارف

I. اثبات گزاره 3.2

ج. اثبات گزاره 3.4

K. اثبات گزاره 3.5

L. اثبات گزاره 3.6

م. اثبات گزاره 3.11

N. اثبات گزاره 3.12

3.4 شبکه های عصبی روی منیفولدهای گراسمن

در این بخش روشی برای محاسبه نقشه لگاریتمی گراسمن در پرسپکتیو پروژکتور ارائه می کنیم. سپس GCN ها را روی منیفولدهای گراسمن پیشنهاد می کنیم.

3.4.1 نقشه لگاریتمی گراسمن در دیدگاه پروژکتور

نقشه لگاریتمی گراسمن (Batzies et al., 2015; Bendokat et al., 2020) توسط

اثبات به پیوست N مراجعه کنید.

3.4.2 شبکه های کانولوشنال گراف روی منیفولدهای گراسمن

شکل 1: خطوط لوله GyroSpd++ (چپ) و Gr-GCN++ (راست).شکل 1: خطوط لوله GyroSpd++ (چپ) و Gr-GCN++ (راست).

نقشه های لگاریتمی گراسمن در عملیات تجمع با استفاده از گزاره 3.12 به دست می آیند.

روش دیگری برای تعبیه نمودارها روی منیفولدهای گراسمن نیز در ژو و همکاران پیشنهاد شده است.

Source link