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。
グラフ構造化データは日常生活と科学分野で遍在しており,ますます注目を集めている。グラフニューラルネットワーク(GNN)はグラフ構造化データのモデリングに有効であり,GNNアーキテクチャの多くの変形が提案されてきた。しかし,多くの人間努力は,異なるデータセットに依存してアーキテクチャを調整するのにしばしば必要である。研究者は,人間努力を減らし,一般的にトップパーフォーマGNNを達成することを目的として,グラフ学習に関する自動化マシン学習を自然に採用し,しかし,それらの方法は,アーキテクチャ探索にますます焦点を合わせた。GNN実務者の自動化解を理解するために,KDD Cup2020でAuto Hubbardチャレンジを組織化し,ノード分類のための自動グラフニューラルネットワークを強調した。著者らは,特にGithubに公開されているMeituan,AlibabaおよびTwitterのような工業技術会社から,トップソリューションを受信した。学界からの解との詳細な比較の後,著者らは,モデリング範囲,有効性,および効率に関する学界と産業の間のギャップを定量化して,(1)グラフ解のための学術的自動MLは,産業解,特にKDD Cupにおける勝利的解決が,産業解の97.3%の精度,特に,産業解が,数カ月の労働を取り入れるのに,いくつかのGPU時間によって獲得するのに,産業解が,産業解の平均的97.3%の正確性を達成する傾向があることを示した。”学術的解法”は,産業解法の平均的97.3%の精度に関して,産業解法が,産業的解法の平均的97.3%の精度を達成する傾向があることを示した;そして,産業解法は,産業解法の平均的97.3%の正確性に関して達成して,学問的解法は,産業解法の平均的97.3%の正確性に関して達成して,学界解法は,いくつかのGPU時間によって得るために,産業解法は,数箇月の労働を取り入れた。アカデミック解も,はるかに少ないパラメータを含む。【JST・京大機械翻訳】
