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。
近傍集合はグラフ表現学習のためのグラフ畳込みネットワーク(GCN)におけるキーステップである。2つの一般的に用いられるアグリゲータ,合計と平均を,接続ノードが同じラベルを共有するように,ホモフィリン仮定によって設計した。しかし,実世界グラフは雑音があり,隣接ノードは必ずしも類似性を意味しない。グラフ注意ネットワーク(GAT)と学習可能グラフ畳込み層(LGCL)において,学習可能アグリゲータを提案した。しかし,GATはノードの重要性を考慮するが,異なる特徴の重要性ではない。LGCLにおける畳込みアグリゲータは特徴の重要性を考慮するが,それは不規則な連結性と秩序性の欠如のためにグラフ上で直接操作できない。本論文では,まず,近傍集合においてカスタマイズされたスキーマを提供する共有補助モデルを導入することによって,GCN(LA-GCN)のための学習可能Aggregatorのフレームワークにおける現在の学習可能アグリゲータを統一した。このフレームワークの下で,新しいアグリゲータ関数,マスクアグリゲータから成るLA-GCNMaskと呼ばれる新しいモデルを提案した。補助モデルは与えられたノードの各近傍に対する特定のマスクを学習し,ノードレベルと特徴レベルの両方の注意を可能にした。この機構は,予測のための解釈可能な説明を提供し,モデルロバスト性を増加させる予測のために,ノードと特徴の両方に対して異なる重要性を割り当てることを学習する。ノード分類とグラフ分類タスクのための7つのグラフに関する実験は,LA-GCNMaskが最先端の方法より優れていることを示した。さらに,著者らのアグリゲータは,重要なノードとノード特徴を同時に同定することができ,それは入力ノードと予測間の関係の定量化した理解を提供する。さらに,このモデルのロバスト性を評価するために,雑音のあるグラフに関する実験を行った。実験により,LA-GCNMaskは,第2の最良と比較して,精度の点で15%までの改善で,最先端の方法よりも一貫して優れていることを示した。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】