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。
異種情報ネットワーク(HIN)は,異なる型の頂点オブジェクトとして,また,様々なタイプであるオブジェクト間の関係をエッジとして持つ。HINにおけるオブジェクトの分類問題を研究した。ほとんどの既存の方法は,訓練セットとして不十分なラベル付きオブジェクトを与えられたとき,あまり実行せず,そのようなシナリオの下で分類精度を改善する方法は,しばしば計算上高価である。これらの問題に取り組むために,グラフニューラルネットワークモデルであるConCHを提案した。ConCHは,ラベル付きおよびラベルなしデータの両方から学習する自己教師付き学習と半教師つき学習を組み合わせたマルチタスク学習問題として分類問題を定式化する。ConCHは,オブジェクト間の意味関係を捉えるオブジェクトタイプのシーケンスであるメタパスを用いる。ConCHは,グラフ畳込みを通して埋込みとコンテキスト埋込みを埋め込む。また,そのような埋込みを融合するために注意機構を使用した。他の15分類法に対するConCHの性能を評価するために広範な実験を行った。著者らの結果は,ConCHがHIN分類のための効果的で効率的な方法であることを示した。【JST・京大機械翻訳】