トポロジーとコンテンツ共アラインメントグラフ畳込み学習【JST・京大機械翻訳】

Shi Min; Tang Yufei; Zhu Xingquan

プレプリント

J-GLOBAL ID：202202202416514123 整理番号：22P0128050

トポロジーとコンテンツ共アラインメントグラフ畳込み学習【JST・京大機械翻訳】

Topology and Content Co-Alignment Graph Convolutional Learning

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 (3件)： , ,
資料名：
発行年： 2020年03月28日プレプリントサーバーでの情報更新日： 2020年03月28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)

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】

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

計算機網

, , , , ,

前のページに戻る