文献

J-GLOBAL ID：202002229851220526   整理番号：20A2461709

グラフ分類のためのデータ増強【JST・京大機械翻訳】

Data Augmentation for Graph Classification

著者 (3件)： Zhou Jiajun (Zhejiang University of Technology, HangZhou, China) ,  Shen Jie (Zhejiang University of Technology, HangZhou, China) ,  Xuan Qi (Zhejiang University of Technology, HangZhou, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： CIKM ’20  ページ： 2341-2344  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グラフのカテゴリーラベルを同定することを目的とするグラフ分類は,薬物分類,毒性検出,蛋白質分析などにおいて重要な役割を果たし,ベンチマークデータセットのスケールの限界は,グラフ分類モデルが過剰適合と一般化に陥ることを容易にする。これに向けて,グラフ上のデータ増強を導入し,2つの発見的アルゴリズム,即ち,グラフ構造の発見的修正による小規模ベンチマークデータセットのためのより弱いラベル付きデータを生成するため,ランダムマッピングとemmotif-類似性マッピング,を提示した。さらに,事前訓練グラフ分類器を最適化するために,グラフ増強,データフィルタリングおよびモデル再訓練を組み合わせた,emM-Evolveと名付けた一般的モデル進化フレームワークを提案した。6つのベンチマークデータセット上で行われた実験は,eM-Evolveが,小規模ベンチマークデータセット上で訓練するとき,既存のグラフ分類モデルが過剰適合を緩和することを助け,また,分類性能の大幅な改善が,グラフ分類タスクにおいて,平均3~12%の精度を改善することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  類似性 ,  *ベンチマーク
準シソーラス用語： 分類会計機 ,  発見的アルゴリズム ,  グラフ構造 ,  蛋白質分析 ,  データフィルタリング ,  分類モデル , 【Automatic Indexing@JST】

著者キーワード (3件)： データ増強 ,  グラフ分類 ,  モデル進化

分類 (2件)： グラフ理論基礎  (IA02020S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： グラフ ,  分類 ,  データ増強