오일러 특성 변환 (Euler Characteristic Transform) 인코딩

오일러 특성 곡선 (Euler Characteristic Curve, ECC)은 주어진 방향에서 여과 높이 (filtration height)의 함수로서 선형적으로 임베딩된 셀 복합체 (cell complex)의 오일러 특성 (Euler characteristic)을 기록하며, 오일러 특성 변환 (Euler Characteristic Transform, ECT)은 여러 방향에 걸쳐 ECC를 수집하여 얻은 단사 (injective) 형상 기술자 (shape descriptor)입니다. ECT가 신경망을 위해 어떻게 인코딩되는지는 그 자체로 귀납적 편향 (inductive bias)이며, 전통적으로는 각 ECC를 이산화 (discretizing)함으로써 고정되었습니다. 우리는 연속적 인코딩 (continuous encoding)을 도입합니다. 각 방향과 각 정점 (vertex)에 대해 해당 정점에 기인한 순 오일러 특성 변화를 기록하여, 작은 트랜스포머 (transformer)가 특징 벡터 (feature vector)로 매핑하는 방향별 토큰 시퀀스 (token sequence)를 생성합니다. 우리는 결과적인 파이프라인을 직교하는 두 축의 두 단계로 분리합니다: 각 방향 내에서 작동하며 곡선을 고정된 길이의 벡터로 매핑하는 ECC 인코더 (ECC encoder), 그리고 방향들에 걸쳐 작동하며 방향별 벡터들을 하나로 집계하는 ECT 표현 (ECT representation)입니다. 우리는 구조를 고려하지 않는 피드포워드 (feedforward) 베이스라인부터 평면 회전 하에서의 등변성 (equivariance)을 보존하는 컨볼루션 (convolutional) 및 복소수 값 모델 (complex-valued models)에 이르기까지, 다양한 귀납적 편향을 아우르는 6가지 ECT 표현 아키텍처를 연구합니다. 포인트 클라우드 (point clouds), 그래프 (graphs), 큐비컬 복합체 (cubical complexes), 메쉬 (meshes)를 다루는 6개의 분류 벤치마크 전반에 걸쳐, 연속적 인코딩은 6개 데이터셋 중 5개에서 정확도를 향상시켰으며, 대조 실험을 통해 이러한 이득이 추가된 트랜스포머 용량보다는 토큰화 (tokenization) 자체에 기인함을 확인했습니다. 표현 아키텍처는 인코딩보다 덜 중요하며, 귀납적 편향으로부터 얻는 보상은 인코딩에 따라 달라집니다: 피드포워드 네트워크는 연속적 인코딩 하에서 가장 높은 성능을 보이지만, 이산화 하에서는 컨볼루션 아키텍처보다 견고함 (robustness)이 떨어집니다.