制約付き分散を持つ確率グラフニューラルネットワークの学習【JST・京大機械翻訳】

Gao Zhan; Isufi Elvin

プレプリント

J-GLOBAL ID：202202202276302767 整理番号：22P0281771

制約付き分散を持つ確率グラフニューラルネットワークの学習【JST・京大機械翻訳】

Learning Stochastic Graph Neural Networks with Constrained Variance

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月29日プレプリントサーバーでの情報更新日： 2022年08月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

確率的グラフニューラルネットワーク(SGNN)は,ランダムグラフ上のデータから表現を学習する情報処理アーキテクチャである。SGNNは,期待される性能に関して訓練され,それは,最適期待値のまわりの特定の出力実現の偏差について保証されない。この問題を克服するために,SGNNのための分散制約付き最適化問題を提案し,期待性能と確率的偏差のバランスをとる。勾配降下でSGNNパラメータを更新し,勾配上昇で二重変数を更新することにより,問題を解決する交互プライマー二重学習手続きを行った。分散制約学習の明示的効果を特性化するために,SGNN出力の分散に関する理論解析を行い,確率的ロバスト性と識別力の間のトレードオフを同定した。さらに,分散制約付き最適化問題の双対性ギャップと,一次二重学習手順の収束挙動を解析した。前者は,二重変換によって誘導される最適性損失を示し,後者は反復アルゴリズムの限界誤差を特性化し,その両方は分散制約学習の性能を保証した。数値シミュレーションを通して,理論的発見を確認し,制御可能な標準偏差で強い期待性能を観察した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

ニューロコンピュータ , システム・制御理論一般

, , ,

前のページに戻る