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。
動的グラフニューラルネットワークは,グラフ構造データのモデリングと表現学習に広く使用されている。現在の動的表現学習は,重い計算を含む時間情報損失または連続学習をもたらす離散学習のいずれかに焦点を合わせる。本研究では,新しい動的グラフニューラルネットワークSparse-Dynを提案した。それは,時間的情報を,等しい量の時間トポロジー構造で,一連のパッチに適応的に符号化する。したがって,情報損失を引き起こすスナップショットの使用を避けながら,それはまた,より微細な時間粒状性を達成して,それは連続ネットワークが提供できるものに近かった。さらに,構造近傍と時間動力学の両方を通してノード表現を計算するために,軽量モジュールSparse時間変換器を設計した。完全に接続された注意結合が単純化されるので,計算コストは現在の最先端技術よりはるかに低い。リンク予測実験を連続および離散グラフデータセットの両方で行った。いくつかの最先端のグラフ埋込みベースラインと比較して,実験結果は,Sparse-Dynが競合性能を有する間,より速い推論速度を有することを示した。【JST・京大機械翻訳】