摘要

近年来，图神经网络（GNNs）的引入及其在过去几年中的迅速普及，使得深度学习算法能够应用于非欧几里得、图结构数据。图神经网络在基于图的机器学习问题中取得了令人印象深刻的一流成果。然而，尽管其发展速度迅猛，大多数关于图神经网络的研究仍主要集中在图分类和嵌入技术上，而对图数据上的回归任务关注较少。本文提出了一种图混合密度网络（GraphMDN），该网络将图神经网络与混合密度网络（MDN）输出相结合。通过结合这两种技术，图混合密度网络不仅能够自然地将图结构信息融入神经架构中，还具备建模多模态回归目标的能力。因此，图混合密度网络旨在在数据为图结构且目标统计量更适合用密度混合而非单一值表示的回归任务中表现出色（所谓的“逆问题”）。为了验证这一点，我们将现有的语义图卷积网络（Semantic GCN, SemGCN）扩展为图混合密度网络结构，并展示了其在Human3.6M姿态估计任务中的结果。扩展后的模型在参数数量相当的情况下，始终优于单独使用的GCN和MDN架构。