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。
付加的なトポロジー構造と接続情報を持つ異なるアプリケーションから収集された実データは重み付きグラフとして表現できる。ノードラベリング問題を考慮して,グラフニューラルネットワーク(GNN)は強力なツールであり,それはノードラベリングに関するエキスパート決定を模倣できる。GNNは,ノード情報を埋め込むためにニューラルネットワークを用いてノード特徴,接続パターンおよびグラフ構造を結合して,グラフにおけるエッジを通してそれを通過した。著者らは,GNNモデルによって使用される入力データのパターンを同定し,決定をし,もしモデルが望むかどうかを調べる。しかし,複雑なデータ表現と非線形変換のために,GNNによってなされた決定を説明することは,挑戦的である。本研究では,有益な要素と重要なノード特徴を同定するための新しいグラフ特徴の説明法を提案した。さらに,ノード分類に用いる重要な因子を同定するためのパイプラインを提案した。4つのデータセット(2つの合成と2つの実際)を用いて,著者らの方法を検証した。著者らの結果は,著者らの説明アプローチが,グラフにおける人間解釈と異なった特徴によってノード分類のために使用するデータパターンを模倣することができることを証明した。さらに,著者らの説明方法は,データの理解,GNNモデルのデバッギング,およびモデル決定の調査に使用できる。Copyright IFIP International Federation for Information Processing 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】