抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,静的グラフとそれらのサブ構造を表現するための学習に多大な努力が払われている。ノード表現学習に対処するために,動的設定において利用可能な時間情報を利用することにより,いくつかの研究が探求された。しかし,動的文脈における全体グラフに対する表現学習問題はまだ解決されていない。本論文では,グラフのトポロジーと動力学の両方を考慮に入れて,各時間ステップで動的グラフをd次元空間に投影する教師なし符号器-復号器フレームワークを提案した。2つの異なる戦略を調べた。最初に,グラフ動力学を自動符号化することにより,表現学習問題に取り組んだ。第二に,著者らはグラフ予測問題を定式化し,自己回帰復号器が動的グラフの将来を予測するために使用する表現を学習するために符号器を強制する。ゲート付きグラフニューラルネットワーク(GGNNs)は,各時間ステップでグラフのトポロジーを学習するために組み込まれ,Long短期メモリネットワーク(LSTMs)は,時間を通してノード間の時間情報を伝播させるために活用される。動物行動と脳ネットワークの2つの実世界データセットを用いたグラフ分類タスクによるアプローチの有効性を実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】