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。
従来のグラフニューラルネットワーク(GNN)において,グラフ畳込み学習をネットワーク表現学習のためのトポロジー駆動再帰的ノードコンテンツ集約を通して実行した。現実に,ネットワークトポロジーとノードコンテンツは,ノード間の無関係または欠測リンクのため,常に一貫性がない。非整列近傍間の純粋トポロジー駆動特徴集約アプローチは,貧弱な構造コンテンツ一貫性を持つノードに対する学習を劣化させ,不正確なメッセージは結果としてネットワーク全体にわたって伝搬できた。本論文では,一貫性を最大化するためにトポロジーとコンテンツネットワークを整列させることで,共アラインメントグラフ畳込み学習(CoGL)を提案した。著者らのテーマは,最適化表現学習のためのトポロジーに関して,コンテンツネットワークを同時に最適化しながら,根底にあるコンテンツネットワークに関してトポロジーネットワークを力づけることである。ネットワークを与えられた場合,CoGLは最初にノード特徴からコンテンツネットワークを再構成し,(1)最小コンテンツ損失,(2)最小化分類損失,(3)最小化広告損失を伴う統一最適化目標ではあるが,コンテンツネットワークと元のネットワークを共配列する。6つのベンチマークに関する実験は,CoGLが既存の最先端のGNNモデルよりも著しく優れていることを示した。【JST・京大機械翻訳】