文献

J-GLOBAL ID：202002236276024365   整理番号：20A1196375

ロバスト属性と構造保存グラフ埋込み【JST・京大機械翻訳】

Robust Attribute and Structure Preserving Graph Embedding

著者 (4件)： Hettige Bhagya (Monash University, Melbourne, Australia) ,  Wang Weiqing (Monash University, Melbourne, Australia) ,  Li Yuan-Fang (Monash University, Melbourne, Australia) ,  Buntine Wray (Monash University, Melbourne, Australia)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12085  ページ： 593-606  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： グラフ埋込み法はリンク予測とノード分類を含む広範囲のグラフ解析タスクに有用である。ほとんどのグラフ埋込み法はグラフのトポロジー構造のみを学習する。それにもかかわらず,ノード属性の組み込みはノード埋込みの表現力を改善するのに有益であることが示されている。しかしながら,実世界グラフは,構造および/または属性(欠落および/または誤ったエッジ/属性)に関してしばしば雑音が多い。ほとんどの既存のグラフ埋込み法は,モデリング過程の間の不確実性を考慮しないので,この雑音に敏感である。本論文では,RASE,ロバスト属性および構造保存グラフ埋め込みモデルを紹介した。RASEは,統一損失関数を通してグラフ構造とノード属性の両方を効果的に保存する新しいグラフ表現学習モデルである。ロバストであるために,RASEはノード属性雑音を扱うために雑音除去属性自動符号器を使用し,グラフ構造雑音に対処するためにGaussとして埋め込み空間における不確実性をモデル化する。様々な実世界データセットに関する広範な実験研究を通してRASEの性能を評価した。結果は,RASEが多重グラフ解析タスクに関する最先端の埋め込み法より優れており,構造と属性雑音の両方に対してロバストであることを実証した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  雑音 ,  学習モデル ,  損失関数 ,  不確実性 ,  図式解法 ,  多重化 ,  符号器 ,  *ロバスト性 ,  雑音除去
準シソーラス用語： グラフ構造 , 【Automatic Indexing@JST】

著者キーワード (3件)： ロバストなグラフ埋込み ,  ノード分類 ,  リンク予測

分類 (4件)： グラフ理論基礎  (IA02020S) ,  図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ロバスト ,  属性 ,  保存 ,  グラフ埋込み