Key points are not available for this paper at this time.
हालांकि संवहन न्यूरल नेटवर्क (CNN) ने अंतर-सैंपल प्रतिनिधित्व को निकालकर दृष्टि कार्यों में उत्कृष्ट प्रदर्शन किया है, लेकिन यह कई संवहन परतों को स्टैक करने के कारण उच्च प्रशिक्षण खर्च लेगा। हाल ही में, द्विआधारी मॉडल के रूप में, ग्राफ न्यूरल नेटवर्क (GNN) ने कुछ ग्राफ न्यूरल परतों के साथ ग्राफ डेटा के बीच अंतर्निहित शीर्षological संबंधों का पता लगाने में सफलता प्राप्त की है। दुर्भाग्यवश, इसे गैर-ग्राफ डेटा पर सीधे उपयोग नहीं किया जा सकता क्योंकि ग्राफ संरचना का अभाव है और बड़े पैमाने पर परिदृश्यों में इसमें उच्च अनुमानित विलंबता होती है। इन पूरक ताकतों और कमजोरियों से प्रेरित होकर, हम एक स्वाभाविक प्रश्न पर चर्चा करते हैं, कैसे इन दो विषमतापूर्ण नेटवर्क को जोड़ा जाए? इस पत्र में, हम एक नवोन्मेषी CNN2GNN ढांचा प्रस्तावित करते हैं ताकि CNN और GNN को परिशोधन के माध्यम से एकीकृत किया जा सके। सबसे पहले, GNN की सीमाओं को तोड़ने के लिए, एक भिन्नीय स्पार्स ग्राफ लर्निंग मॉड्यूल को नेटवर्क का प्रमुख डिजाइन किया गया है ताकि इन्कडक्टिव लर्निंग के लिए ग्राफ को गतिशील रूप से सीखा जा सके। फिर, CNN से GNN में ज्ञान स्थानांतरित करने और इन दो विषमतापूर्ण नेटवर्क को जोड़ने के लिए एक प्रतिक्रिया-आधारित परिशोधन पेश किया जाता है। उल्लेखनीय है कि एकल उदाहरण का अंतर-सैंपल प्रतिनिधित्व निकालने और डेटा सेट के बीच शीर्षological संबंध को एक साथ निकालने के कारण, मिनी-इमेजनेट पर डिस्टिल्ड ``बूस्टेड'' दो-स्तरीय GNN का प्रदर्शन CNN की तुलना में बहुत अधिक है जिसमें रेज़नेट152 जैसी दर्जनों परतें शामिल हैं।
जियाओ एट अल। (मंगल,), ने इस प्रश्न का अध्ययन किया।