CapsLorentzNet：将物理启发特征与图卷积相融合

Mar, 2024

CapsLorentzNet：将物理启发特征与图卷积相融合

CapsLorentzNet: Integrating Physics Inspired Features with Graph Convolution

Rameswar Sahu

TL;DR通过引入胶囊层与图神经网络的结构相容的新颖架构修改，本文进一步研究提升了现代机器学习技术中的目标标记方法。该胶囊层是一组具有向量激活的神经元，向量的方向表示所研究对象的重要特性，向量的大小表示所研究对象是否属于胶囊所代表的类别。此外，胶囊网络还融合了一种重构机制以便将自顶向下设计的高级特征方便地整合到分析中。本文使用 LorentzNet 结构进行夸克胶子标记的实验证明，通过将 LorentzNet 的解码模块替换为胶囊解码模块，新架构 CapsLorentzNet 可以提升夸克胶子标记任务的性能 20%。

Abstract

With the advent of advanced machine learning techniques, boosted object tagging has witnessed significant progress. In this article, we take this field further by introducing novel architectural modifications compatible with a wide array of graph neural network (GNN) architectures. Our

boosted object tagging graph neural network capsule layers reconstruction mechanism quark-gluon tagging

发现论文，激发创造

面向多标签分类的上下文感知胶囊网络

我们提出了一种改进的胶囊网络架构，包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块，为多标签分类任务提供了更好的可扩展性。

Oct, 2018

基于胶囊网络的层次化物体中心学习

该论文研究了 CapsNets（胶囊网络）的吸引人之处，并聚焦于解锁其全部潜能的三个关键问题：路由算法的有效性、提取更有效的第一层胶囊、以及胶囊网络中的部分关系学习。此外，还展示了 CapsNets 在实际应用中的潜力，包括无人机的自主定位、合成数据集中的四元数旋转预测和生物医学成像中的肺结节分割。该论文的研究结果对于深入理解 CapsNets 并突破复杂的计算机视觉挑战具有重要意义。

May, 2024

图范囊卷积神经网络

本文提出了一种名为 Graph Capsule Network (GCAPS-CNN) 的模型，通过使用胶囊网络的思想对 GCNN 模型的一些基本缺陷进行了改进，并将其应用于解决当前 GCNN 模型在图分类问题上面临的挑战，实验结果表明，GCAPS-CNN 模型可以显著地提高图分类基准数据集上的性能。

May, 2018

胶囊网络在复杂数据上的性能

本文介绍了卷积神经网络的两个不足之处：不能考虑特征之间的重要空间关系和缺乏旋转不变性。为了解决这个问题，Hinton 等人提出了一种新型神经网络 —— 胶囊网络，该网络采用动态路由和重构正则化技术，具有旋转不变性和空间感知能力。在 MNIST 数据集上进行测试，胶囊网络的测试错误率为 0.25％，优于以前 0.39％的基准。同时，我们还尝试找到最佳配置组合，以在 CIFAR10 数据集上获得最佳测试结果。

Dec, 2017

推动胶囊网络的极限

Google Brain 提出了 Capsule Networks，它们通过使用向量输出来表示实体存在，与标量输出表示特征存在的常规 CNN 不同。我们的研究目的是测试 Capsule Networks 在不同的方法下的表现和表达性，包括测试 MNIST 数据集，探索 Capsule Networks 的内部嵌入空间和误差来源。

Mar, 2021

粒子物理学中的 Lorentz 群等变神经网络

本文介绍一种基于洛伦兹群的有等变性的神经网络体系结构，其用于分类任务在粒子物理学中表现出的结果优于卷积神经网络和点云方法。

Jun, 2020

可解释的图形胶囊网络用于物体识别

本文提出了一种可解释的基于图池化的多头注意力的 Capsule 网络，旨在覆盖 CapsNet 分类的缺陷。新模型达到更好的分类性能，并在机器学习中提供更好的解释能力，具有潜在的实用价值。

Dec, 2020

量子胶囊网络

介绍了一种名为 QCapsNet 的量子胶囊网络，该网络通过一种高效的量子动态路由算法从胶囊层层抽取信息，实现了对手写数字和对称保护拓扑相的分类任务。进一步分析发现，输出胶囊状态的一个子空间可能对应于输入数据的一个人类可理解的特征，暗示了这种网络的可解释性和价值。

Jan, 2022

利用胶囊网络和图神经网络进行皮肤癌诊断的空间和语义特征提取

肤损图像分类中，复杂的空间和语义特征对传统基于卷积神经网络（CNN）的方法提出了挑战。本研究通过将图神经网络（GNNs）与胶囊网络相结合，提出了一种创新方法以增强分类性能，研究集中在评估和改进 Tiny Pyramid ViG 架构，并将其与胶囊网络相结合，结果表明该方法在克服皮肤损伤分类的潜在挑战方面具有潜力，并推动了皮肤科基于图像的诊断的发展。

Mar, 2024

一个高效的洛仑兹等变图神经网络用于喷注标识

本论文提出了一种新的深度学习模型，称为 LorentzNet，用于粒子物理中的 Jet 标注问题，该模型维持了洛伦兹对称性，通过高效的闵可夫斯基点积注意力进行信息传递，在两个代表性的 Jet 标注引擎上进行的实验表明，LorentzNet 表现出最佳性能并显著改善了现有的最先进算法。

Jan, 2022