隐式图形神经表示

Xinyue Xia、Gal Mishne、Yusu Wang
第26届国际人工智能与统计会议论文集，PMLR 206:10619-106342023年。

摘要

图形是生成不同大小图形的通用且强大的模型。在本文中，我们建议使用神经网络直接对图形进行建模，从而获得隐式图形神经表示（IGNR）。现有的图形建模和重建工作通常通过固定分辨率的分段常量表示来近似目标图形。我们的IGNR的优点是，它可以表示任意分辨率的图形，并且可以在学习模型后自然高效地生成具有所需结构的任意大小的图形。此外，通过利用Gromov-Wasserstein距离，我们允许输入图形数据不对齐并且具有不同的大小。我们首先通过展示模型在图形学习任务中的卓越性能来证明模型的有效性。然后，我们提出了一种IGNR的扩展，该扩展可以并入自动编码器框架，并在更一般的图形学习环境下证明了其良好的性能。我们还表明，我们的模型适用于图表示学习和图生成。

引用本文

BibTeX公司
@会议记录{pmlr-v206-xia23b，title={隐式图形神经表示}，author={Xia、Xinyue和Mishne、Gal和Wang、Yusu}，booktitle＝{第26届国际人工智能与统计会议论文集}，页码={10619--10634}，年份={2023}，编辑＝{Ruiz，Francisco和Dy，Jennifer和van de Meent，Jan Willem}，体积={206}，series={机器学习研究论文集}，月={4月25日--27日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v206/xia23b/xia23b.pdf},url={https://proceedings.mlr.press/v206/xia23b.html},abstract={图形是生成不同大小图形的通用且强大的模型。本文建议使用神经网络直接对图形建模，获得隐式图形神经表示（IGNR）现有的图形建模和重建工作通常通过固定分辨率的分段常量表示来近似目标图形。我们的IGNR的优点是，它可以表示任意分辨率的图形，并且可以在学习模型后自然高效地生成具有所需结构的任意大小的图形。此外，通过利用Gromov-Wasserstein距离，我们允许输入图形数据不对齐并且具有不同的大小。我们首先通过展示模型在图形学习任务中的卓越性能来证明模型的有效性。然后，我们提出了一种IGNR的扩展，该扩展可以并入自动编码器框架，并在更一般的图形学习环境下证明了其良好的性能。我们还表明，我们的模型适用于图表示学习和图生成。}}
尾注
%0会议论文%T隐式图神经表示%阿新月霞%盖尔·米什内%王玉素%第26届国际人工智能与统计会议论文集%C机器学习研究进展%D 2023年%E弗朗西斯科·鲁伊斯%E詹妮弗·戴伊%E Jan-Willem van de Meent公司%对于pmlr-v206-xia23b%我PMLR%电话：10619--10634%U型https://proceedings.mlr.press/v206/xia23b.html%第206页%X图形是生成不同大小图形的通用且功能强大的模型。在本文中，我们建议使用神经网络直接对图形进行建模，从而获得隐式图形神经表示（IGNR）。现有的图形建模和重建工作通常通过固定分辨率的分段常量表示来近似目标图形。我们的IGNR的优点是，它可以表示任意分辨率的图形，并且可以在学习模型后自然高效地生成具有所需结构的任意大小的图形。此外，通过利用Gromov-Wasserstein距离，我们允许输入图形数据不对齐并且具有不同的大小。我们首先通过展示模型在图形学习任务中的卓越性能来证明模型的有效性。然后，我们提出了一种IGNR的扩展，该扩展可以并入自动编码器框架，并在更一般的图形学习环境下证明了其良好的性能。我们还证明了我们的模型适用于图表示学习和图生成。
亚太地区
Xia，Mishne，G.和Wang，Y.（2023）。隐式图形神经表示。第26届国际人工智能与统计会议论文集，英寸机器学习研究进展206:10619-10634网址：https://proceedings.mlr.press/v206/xia23b.html。

相关材料