Linkkitaulukko Tiivistelmä ja 1. Johdanto Alkuvaiheet Ehdotettu lähestymistapa 3.1 Merkintä 3.2 Nueral Networks SPD-jakotukissa 3.3 MLR rakennetiloissa 3.4 Neuroverkot Grassmann Manifoldsissa Kokeilut Johtopäätös ja viitteet A. Merkinnät B. MLR rakennetiloissa C. MLR:n formulointi etäisyyksien näkökulmasta hypertasoihin D. Ihmisen toiminnan tunnistaminen E. Solmuluokitus F. Työmme rajoitukset G. Jotkut aiheeseen liittyvät määritelmät H. Kanonisen esityksen laskenta I. Ehdotuksen todiste 3.2 J. Lausunnon todiste 3.4 K. Lausuntotodistus 3.5 L. Lausuntotodistus 3.6 M. Lausuntotodistus 3.11 N. Proposition todiste 3.12 4 KOKEILUA 4.1 IHMISTEN TOIMINNAN TUNNISTAMINEN Käytämme kolmea tietojoukkoa, eli HDM05 (Muller et al., 2007), FPHA (Garcia-Hernando et al., 2018) ja ¨ NTU RBG+D 60 (NTU60) (Shahroudy et al., 2016). Vertaamme verkkojamme seuraaviin huippuluokan malleihin: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) ja MLR-AI (Nguyen & Yang, 2023). 4.1.1 ABLATIOTUTKIMUS Verkossamme GyroSpd++ on MLR-kerros pinottu konvoluutiokerroksen päälle (katso kuva 1). Motivaatio konvoluutiokerroksen käyttöön Konvoluutiokerrokset SPD-hermoverkoissa on, että se voi erottaa globaaleja piirteitä paikallisista (kovarianssimatriiseja, jotka on laskettu yhteisistä koordinaateista toimintasekvenssin osasekvenssien sisällä). Käytämme affine-invariant-mittareita konvoluutiotasolle ja log-euklidisia mittareita MLR-tasolle. Tulokset välilehdellä. Kuva 1 osoittaa, että GyroSpd++ ylittää jatkuvasti SPD:n perusviivat keskimääräisen tarkkuuden suhteen. GyroSpd++:n tulokset eri Riemanni-metriikkamalleilla sen kerroksille on esitetty liitteessä D.4.1. Rakennamme GyroSpsd++:n korvaamalla GyroSpd++:n MLR-kerroksen kohdassa 3.3 ehdotetulla MLR-kerroksella. GyroSpsd++:n tulokset on esitetty Tab. 1. SPSDAI:ta lukuun ottamatta GyroSpsd++ ylittää muut HDM05-tietojoukon perusviivat keskimääräisen tarkkuuden suhteen. Lisäksi GyroSpsd++ ylittää GyroSpd++:n ja kaikki FPHA- ja NTU60-tietosarjojen perusviivat keskimääräisen tarkkuuden suhteen. Nämä tulokset osoittavat, että MLR on tehokas, kun se suunnitellaan rakennetiloihin gyrovektoritilan näkökulmasta. MLR rakennetiloissa 4.2 SODULUOKITUS Käytämme kolmea tietojoukkoa, eli Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) ja Cora (Sen et al., 2008), joista jokainen sisältää yhden kaavion, jossa on tuhansia merkittyjä solmuja. Vertaamme verkkoamme Gr-GCN++ (katso kuva 1) sen muunnelmaan Gr-GCN-ONB (katso liite E.2.4) ONB-perspektiivin perusteella. Tulokset näkyvät välilehdessä. 2. Molemmat verkot antavat parhaan suorituskyvyn arvoilla n = 14 ja p = 7. Voidaan nähdä, että Gr-GCN++ ylittää Gr-GCN-ONB:n kaikissa tapauksissa. Suorituskykyvajeet ovat merkittäviä Pubmed- ja Cora-tietosarjoissa. Tekijät: (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (xuan-son.nguyen@ensea.fr); (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (son.nguyen@ensea.fr); (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (aymeric.histace@ensea.fr). Tämä paperi on CC by 4.0 Deed (Attribution 4.0 International) -lisenssi. saatavilla arxivista [1] https://github.com/zhiwu-huang/SPDNet. [2] https://papers.nips.cc/paper/2019/hash/6e69ebbfad976d4637bb4b39de261bf7-Abstract. html.