文献

J-GLOBAL ID：202102232525892206   整理番号：21A0667450

OpenWGL:オープンワールドグラフ学習【JST・京大機械翻訳】

OpenWGL: Open-World Graph Learning

著者 (3件)： Wu Man (Florida Atlantic University,Dept. of Computer & Electrical Engineering and Computer Science,Boca Raton,USA) ,  Pan Shirui (Monash University,Faculty of Information Technology,Melbourne,Australia) ,  Zhu Xingquan (Florida Atlantic University,Dept. of Computer & Electrical Engineering and Computer Science,Boca Raton,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICDM  ページ： 681-690  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： ノード分類のような従来のグラフ学習タスクにおいて,学習は,クラスの数と訓練サンプルが訓練モデルを助けるために提供され,学習目標が,既に知られているクラスにラベルなしノードを正しく分類することである。現実において,ネットワークの限られたラベリング能力と動的進化のために,ネットワークにおけるいくつかのノードは,既存の/seenクラスに属しず,従って,閉じた世界学習アルゴリズムによって正しく分類できない。本論文では,学習目標が,正しいグループに見えるクラスに属するノードを分類するだけでなく,既存のクラスに属するノードを非セーンクラスに分類するという新しいオープンワールドグラフ学習パラダイムを提案する。オープンワールドグラフ学習の本質的な課題は,(1)非意味クラスはラベル付きサンプルを持たず,既存の見えるクラスとは異なる任意の形式に存在するかもしれない;(2)グラフ特徴学習と予測の両者は,ノードが既存の/seenクラスまたは非セーンクラスに属するかどうかを区別すべきである。課題に取り組むために,ラベル損失とクラス不確実性損失制約を用いて,ノード表現学習が非セエンスクラスに敏感であることを確実にするため,制約付き変分グラフ自動符号器ネットワークを用いて,不確実なノード表現学習アプローチを提案した。その結果,ノード埋込み特徴を,決定論的特徴ベクトルの代わりに分布によって表示した。特徴ベクトルの多重バージョンを生成するサンプリングプロセスを用いて,著者らは,見えるクラスに属するノードの確実性をテストすることができ,そして,自動的に,見えないクラスノードとして見えるクラスに属するノードを拒絶するための閾値を,自動的に決定することができた。実世界ネットワークに関する実験は,ベースラインと比較してアルゴリズム性能を示した。また,事例研究とアブレーション解析は,オープンワールドグラフ学習のための著者らの設計の理論的根拠を示した。Copyright 2021 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： アルゴリズム ,  変分法 ,  *学習 ,  ネットワーク ,  不確実性 ,  多重化 ,  符号器 ,  事例研究 ,  基準線 ,  アブレーション ,  学習アルゴリズム
準シソーラス用語： 特徴ベクトル ,  確実性 ,  決定論 ,  学習目標 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (1件)： 学習