文献

J-GLOBAL ID：202102261688750575   整理番号：21A0892715

グラフ表現学習の適用における挑戦の定量化【JST・京大機械翻訳】

Quantifying Challenges in the Application of Graph Representation Learning

著者 (5件)： Gogoglou Antonia (Capital One,McLean,VA,22102) ,  Bruss C. Bayan (Capital One,McLean,VA,22102) ,  Nguyen Brian (Capital One,McLean,VA,22102) ,  Sarshogh Reza (Capital One,McLean,VA,22102) ,  Hines Keegan E. (Capital One,McLean,VA,22102)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICMLA  ページ： 1519-1526  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： グラフ表現学習は,その後の学習タスクのための意味ある方法で構造情報を抽出する手段として大きな進歩を経験した。浅い埋込みとグラフニューラルネットワークを含む現在の手法は,ノード分類とリンク予測タスクで主にテストされている。本研究では,ポピュラーな埋込みアプローチの集合に対する応用指向展望を提供し,実世界グラフ特性に関してそれらの表現力を評価した。この過程において発見した限界の理論解析とともに,パターンの異なるグラフにおける埋込みアプローチの表現力に関する既存の基準を挑戦するために,広範な経験的データ駆動フレームワークを実行した。これらの結果は,「一対適合」GRLアプローチが実世界シナリオで定義するのが困難であり,新しい方法が導入されれば,グラフ特性を捉える能力や,非自明な構造差を持つデータセットにおけるそれらの適用性について明示的であるべきであることを示唆する。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： *学習 ,  ニューラルネットワーク ,  適応性
準シソーラス用語： 表現力 ,  理論解析 ,  グラフレプリゼンテーション , 【Automatic Indexing@JST】

分類 (3件)： 医用画像処理  (JE04020T) ,  NMR一般  (BM07041R) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： グラフ ,  表現学習 ,  定量化