- TwiRGCN: свертка временно взвешенных графов для ответов на вопросы по временным графам знаний(arXiv)
Автор: Адитья Шарма, Апурв Саксена, Читранк Гупта, Сейед Мехран Каземи, Партха Талукдар, Сумен Чакрабарти
Аннотация: В последние годы наблюдается большой интерес к временным рассуждениям по графам знаний (ЗЗ) для ответов на сложные вопросы (КК), но остается существенный пробел в человеческих возможностях. Мы исследуем, как обобщить сверточные сети реляционных графов (RGCN) для временного KGQA. В частности, мы предлагаем новую, интуитивно понятную и интерпретируемую схему для модуляции сообщений, проходящих через ребро KG во время свертки, на основе релевантности связанного с ним периода времени для вопроса. Мы также вводим стробирующее устройство, чтобы предсказать, будет ли ответ на сложный временной вопрос сущностью или временем KG, и используем это предсказание для управления нашим механизмом подсчета очков. Мы оцениваем получившуюся систему, которую мы называем TwiRGCN, на TimeQuestions, недавно выпущенном сложном наборе данных для комплексного временного контроля качества с несколькими сегментами. Мы показываем, что TwiRGCN значительно превосходит современные системы в этом наборе данных по различным типам вопросов. Примечательно, что TwiRGCN повышает точность на 9–10 процентных пунктов для самых сложных порядковых и неявных типов вопросов.
2.Сверточные сети графов с позиционным управлением для распознавания действий на основе скелета(arXiv)
Автор:Хан Чен, Ифань Цзян, Хансок Ко
Аннотация: сверточные сети графов (GCN), которые могут моделировать скелеты человеческого тела в виде пространственных и временных графов, продемонстрировали значительный потенциал в распознавании действий на основе скелетов. Однако в существующих методах, основанных на GCN, графическое представление человеческого скелета затрудняет объединение с другими модальностями, особенно на ранних стадиях. Это может ограничить их масштабируемость и производительность в задачах распознавания действий. Кроме того, информация о позе, которая, естественно, содержит информативные и отличительные подсказки для распознавания действий, редко исследуется вместе со скелетными данными в существующих методах. В этой работе мы предлагаем управляемую позой GCN (PG-GCN), мультимодальную структуру для высокопроизводительного распознавания действий человека. В частности, многопоточная сеть построена для одновременного изучения надежных функций как из данных позы, так и из данных скелета, а модуль динамического внимания предназначен для слияния функций на ранней стадии. Основная идея этого модуля состоит в том, чтобы использовать обучаемый граф для объединения функций из потока скелета с потоком поз, что приводит к созданию сети с более надежной способностью представления функций. Обширные эксперименты показывают, что предложенный PG-GCN может обеспечить современную производительность на наборах данных NTU RGB+D 60 и NTU RGB+D 120.
3.JuryGCN: количественная оценка неопределенности складного ножа в сверточных сетях графов(arXiv)
Автор:Цзянь Кан, Цинхай Чжоу, Ханхан Тонг
Аннотация. Сверточная сеть raph (GCN) продемонстрировала высокую эмпирическую эффективность во многих реальных приложениях. Подавляющее большинство существующих работ по GCN в первую очередь сосредоточено на точности, игнорируя при этом, насколько уверена или неопределенна GCN в отношении своих прогнозов. Несмотря на то, что количественная оценка неопределенности в GCN является краеугольным камнем надежного интеллектуального анализа графов, она недостаточно изучена, и скудные существующие усилия либо не могут обеспечить детерминированную количественную оценку, либо должны изменить процедуру обучения GCN путем введения дополнительных параметров или архитектур. В этой статье мы предлагаем первый основанный на частоте подход под названием JuryGCN для количественной оценки неопределенности GCN, где ключевая идея состоит в количественной оценке неопределенности узла как ширины доверительного интервала с помощью оценщика складного ножа. Кроме того, мы используем функции влияния для оценки изменения параметров GCN без повторного обучения для увеличения масштаба вычислений. Предлагаемый JuryGCN способен детерминистически определять неопределенность без изменения архитектуры GCN или введения дополнительных параметров. Мы проводим обширную экспериментальную оценку реальных наборов данных в задачах как активного обучения, так и частично контролируемой классификации узлов, которые демонстрируют эффективность предлагаемого метода.
