文献

J-GLOBAL ID：202002280427779564   整理番号：20A2445988

グラフニューラルネットワークのためのグラフ適応活性化関数【JST・京大機械翻訳】

Graph-Adaptive Activation Functions for Graph Neural Networks

著者 (4件)： Iancu Bianca (Delft University of Technology,Intelligent Systems Department,Delft,The Netherlands) ,  Ruiz Luana (University of Pennsylvania,Department of Electrical and Systems Engineering,Philadelphia,USA) ,  Ribeiro Alejandro (University of Pennsylvania,Department of Electrical and Systems Engineering,Philadelphia,USA) ,  Isufi Elvin (Delft University of Technology,Intelligent Systems Department,Delft,The Netherlands)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MLSP  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  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： 活性化関数は,入力グラフデータと表現間の関係を捉えるために関数の非線形ファミリーを定義することができるので,グラフニューラルネットワーク(GNN)において重要である。本論文では,グラフを非線形性に順応するだけでなく,分散可能なGNNに対する活性化関数を提案した。特徴トポロジー結合をすべてのGNN成分に組み込むために,ノード特徴を非線形化し,グラフ畳み込みに対する形式アキンにおける一連の訓練可能パラメータと組み合わせた。後者は,直接またはカーネル変換を介して実装できるGNNのグラフ適応訓練可能非線形成分をもたらし,従って,ネットワークデータを表現するための関数のクラスを豊かにする。直接またはカーネル形式において,置換等分散は常に保存されることを示した。また,グラフ適応最大活性化関数のサブクラスが入力摂動に安定なLipschitzであることを証明した。分散源局在化,有限時間コンセンサス,分散回帰,および推薦者システムによる数値実験は,著者らの発見を裏付け,ポイントワイズおよび最先端の局所非線形性と比較して改善された性能を示した。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 ,  適応訓練 ,  *ネットワーク ,  *ニューラルネットワーク ,  非線形性 ,  摂動
準シソーラス用語： *活性化関数 ,  数値実験 ,  局在化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

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