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。
グラフは機械学習で使用される構造化データ表現の最も普遍的な形式である。しかし,それらはノード間のペアワイズ関係のみであり,多くの実世界データセットで見出される高次関係の符号化のためには設計されていない。そのような複雑な関係をモデル化するために,ハイパーグラフは自然な表現であることが証明されている。ハイパーグラフにおけるノード表現の学習は,2つのレベルで情報伝搬を含むので,グラフより複雑であり,あらゆるハイパーエッジとハイパーエッジの中の情報伝搬を含む。ほとんどの現在の手法は,既存の幾何学的深層学習アルゴリズムでの使用のためにグラフにハイパーグラフ構造を最初に変換する。この変換により,情報損失とハイパーグラフ表現力の準最適開発が導かれる。ハイパーグラフを通して情報を正確かつ効率的に伝播するために,2レベルニューラルメッセージパッシング戦略を用いる新しいハイパーグラフ学習フレームワークであるHyperSAGEを提案した。HyperSAGEの柔軟な設計は,近隣情報を集約する異なる方法を促進する。トランスダクティブである関連する研究の大部分と異なり,一般的なグラフSAGE法に触発された著者らのアプローチは,帰納的である。したがって,それはまた,進化または部分観測超グラフのような問題における展開を容易にする,以前には,ノードに使用できない。広範囲な実験を通して,HyperSAGEは代表的なベンチマークデータセット上で最先端のハイパーグラフ学習法より優れていることを示した。また,HyperSAGEのより高い表現力は,代替案と比較して,学習ノード表現においてより安定であることを示した。【JST・京大機械翻訳】