近日，一篇新加坡南洋大学的研究论文引机器学习转发讨论，以下为论文概述：鉴于稀疏的表达和手绘素描草图的高级抽象，学习手绘素描草图中有意义的表达仍然是一项艰巨的任务。现有技术集中于通过卷积神经网络（CNN）利用草图的静态性质或通过递归神经网络（RNN）利用时间顺序属性。在这项工作中，我们提出了草图的新表示形式，即多个稀疏连接的图。我们设计了一种新颖的图神经网络（GNN），即 Multi-Graph Transformer（MGT），用于从多个图形中学习草图的表示，这些图形同时捕获全局和局部几何笔划结构以及时间信息。我们报告有关草图识别任务的大量数值实验，以证明所提出方法的性能。特别是，MGT 应用于 Google QuickDraw 的 414k 草图：（i）与基于 CNN 的性能上限相比，识别差距很小（分别为 72.80％和 74.22％），并且（ii）优于所有基于 RNN 的模型。据我们所知，这是提议将草图表示为图形的并应用 GNN 进行草图识别的第一项工作。