文献

J-GLOBAL ID：202002262531110982   整理番号：20A2551408

グラフ,畳込み,およびニューラルネットワーク:グラフフィルタからグラフニューラルネットワークへ【JST・京大機械翻訳】

Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks

著者 (4件)： Gama Fernando (Delft University of Technology, The Netherlands) ,  Isufi Elvin (Multimedia Computing Group, Delft University of Technology, Delft, The Netherlands) ,  Leus Geert (Electrical Engineering, Mathematics and Computer Science, Delft University of Technology, Delft, The Netherlands) ,  Ribeiro Alejandro (Electrical and Systems Engineering, University of Pennsylvania, Philadelphia, Pennsylvania United States)
資料名： IEEE Signal Processing Magazine  (IEEE Signal Processing Magazine)
巻： 37  号： 6  ページ： 128-138  発行年： 2020年 
JST資料番号： H0928A  ISSN： 1053-5888  CODEN： ISPRE6  資料種別： 逐次刊行物 (A)
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： ネットワークデータは,グラフ信号として便利にモデル化でき,そこでは,データ値が基礎となるネットワークトポロジーを記述するグラフのノードに割り当てられる。ネットワークデータからの成功した学習を,このグラフ構造を効果的に活用する方法で構築する。本論文では,グラフ信号処理(GSP)を利用してグラフニューラルネットワーク(GNN)の表現空間を特性化した。GNNにおけるグラフ畳込みフィルタの役割を議論し,そのようなフィルタで構築された任意のアーキテクチャが,トポロジーの変化に対する置換等分散と安定性の基本特性を持つことを示した。これらの2つの特性は,GNNの作業に関する洞察を提供し,それらのスケーラビリティと伝達性特性の説明を助け,それは,それらの局所および分散特性と結合して,GNNを物理的ネットワークにおける学習のための強力なツールにした。また,エッジ変化および自己回帰移動平均(ARMA)グラフフィルタを用いてGNN拡張を導入し,それらの特性を論じた。最後に,推薦システムにおけるGNNの使用とロボットスウォームのための分散コントローラの学習を研究した。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】

シソーラス用語： 位相幾何学 ,  *畳込み ,  フィルタ ,  制御装置 ,  *ネットワーク ,  ロボット ,  *ニューラルネットワーク ,  信号処理 ,  キャラクタリゼーション ,  ARMAモデル ,  スウォーム ,  計算機アーキテクチャ
準シソーラス用語： ネットワークトポロジー ,  グラフ構造 ,  自己回帰 , 【Automatic Indexing@JST】

分類 (2件)： ゲーム理論  (KA03060T) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： グラフ ,  畳込み ,  ニューラルネットワーク ,  グラフニューラルネットワーク