Какие преимущества можно получить, применив графическую сверточную нейронную сеть вместо обычной CNN?

Какие преимущества мы можем получить, применив графическую сверточную нейронную сеть вместо обычной CNN? Я имею в виду, если мы сможем решить проблему с помощью CNN, по какой причине мы должны преобразовать ее в графическую сверточную нейронную сеть для ее решения? Существуют ли какие-либо примеры, которые можно продемонстрировать в документах, заменив обычную CNN на графическую сверточную нейронную сеть, повысив точность, улучшив качество или увеличив производительность? Может ли кто-нибудь представить некоторые примеры, такие как классификация изображений, распознавание изображений, особенно в медицинской визуализации, биоинформатике или биомедицинских областях?

Вообще говоря, график CNN применяется к данным, представленным графиками , а не изображениями.

• график представляет собой набор узлов и ребер , соединяющих их.

• изображение представляет собой 2D или 3D матрицу, в которой каждый элемент обозначен пиксель в пространстве

Если ваши данные являются просто изображениями или чем-то похожим (например, некоторые данные fMRI), вы обычно не можете извлечь выгоду из графика CNN по сравнению с обычным CNN.

Иногда метки классов ваших изображений могут быть организованы в виде графической (или древовидной) структуры. В этом случае у вас может быть шанс извлечь выгоду из графика CNN.

Биоинформатика - это область, в которой графическая сверточная нейронная сеть полезна. Рассмотрим белковые сети или генно-генные сети. Конечно, биологические сети могут быть представлены в виде графика. Теперь вы должны увидеть, как GCN полезен для биоинформатики.