グラフ畳み込みの柔軟性を向上させる手法と、深層学習の判断を理解する手法

9/13に行われた輪講では、今熱いGraph Convolutionと深層学習の判断根拠を理解する方法について取り上げました。

Dynamic filters in graph convolutional network

こちらは、通常のGraph Convolutionでは定まったネットワークしか扱えないところを、不規則な構造に対しても扱えるようにすることを目的とした研究です。具体的には、人の動作を点群で観測して「この辺りの点は腕」「この辺りの点は足」と識別したい場合に、観測される点群の数は一定でなく、変動します。この場合、ネットワークの構造が所与の手法はうまく使えないため、本手法の出番となります。

具体的には、フィルタとノードが1:1ではなく、ノードが複数のフィルタにアサインされます(左が既存手法、右が提案手法)。

これで、点群の推定でSOTAを出しています。

Methods for Interpreting and Understanding Deep Neural Networks

こちらは深層学習の判断根拠を理解するための研究をまとめたものになります。この論文だけでなく、その他の論文も参照し手法を体系的にまとめた記事が以下になります(こちらはQiitaで先行公開しました)。

ディープラーニングの判断根拠を理解する手法 - Qiita

今はLRP(Layer-wise relevance propagation)が結構熱いようなので、この手法については継続調査をしようかなと思っています。

以上が9/13の輪講の内容でした。

At the End

arXivTimesでは、論文輪講のメンバ及びarXivTimesへの投稿をお待ちしております(投稿上でのディスカッションなどもできればと思っています)。興味をお持ちの方は、Twitterのメンションでぜひご連絡ください。

arXivTimes (@arxivtimes) | Twitter