Quali vantaggi si possono ottenere applicando la rete neurale convoluzionale al posto della normale CNN?

Quali benefici possiamo ottenere applicando Graph Convolutional Neural Network anziché la normale CNN? Voglio dire, se siamo in grado di risolvere un problema con la CNN, qual è la ragione per cui dovremmo convertirci in Graph Convolutional Neural Network per risolverlo? Ci sono esempi che i documenti possono mostrare sostituendo la normale CNN con la rete neurale convoluzionale del grafico, si ottiene un aumento della precisione o un miglioramento della qualità o si ottiene un miglioramento delle prestazioni? Qualcuno può introdurre alcuni esempi come la classificazione delle immagini, il riconoscimento delle immagini in particolare in immagini mediche, bioinfomatiche o aree biomediche?

In generale, un CNN grafico viene applicato ai dati rappresentati da grafici , non da immagini.

• un grafico è una raccolta di nodi e spigoli che li collegano.

• l' immagine è una matrice 2D o 3D, in cui ciascun elemento denota un pixel nello spazio

Se i tuoi dati sono solo immagini o qualcosa di simile (ad esempio alcuni dati fMRI), di solito non puoi beneficiare del grafico CNN rispetto alla normale CNN.

A volte, le etichette di classe delle immagini possono essere organizzate in una struttura simile a un grafico (o simile ad un albero). In tal caso, potresti avere la possibilità di beneficiare del grafico CNN.

La bioinformatica è un'area utile per la rete neurale convoluzionale di Graph. Prendi in considerazione le reti proteiche o le reti gene-geniche. Sicuramente, le reti biologiche possono essere rappresentate come un grafico. Ora, dovresti vedere come GCN è utile per la bioinformatica.