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。
グラフベースの学習は,ソーシャルネットワーク,引用ネットワーク,およびバイオインフォマティクスにおけるアプリケーションによる機械学習の急速に成長するサブフィールドである。最も一般的なモデルの一つはグラフ注意ネットワークである。ノードが隣接ノードの特徴から情報を集合するのに,ノードの近傍を区別しない簡単なグラフ畳込みとは対照的に,ノードを,非一様方法での情報を集約するために導入した。本論文では,グラフ注意ネットワークの挙動を理論的に研究した。文脈確率的ブロックモデルのノード分類問題に対するグラフ注意機構の性能に関する多重結果を証明した。ここでは,確率的ブロックモデルからGaussとエッジの混合物からノード特徴を得た。Gaussの手段間の距離が十分に大きい”easy”体制において,グラフ注意はクラス内エッジからクラス間を区別することができることを示す。したがって,それは重要なエッジの重さを維持して,重要でないエッジの重さを著しく減らした。その結果,これは完全なノード分類を意味することを示した。「ハード」体制では,あらゆる注意機構がクラス間エッジからクラス内クラスを識別するのに失敗することを示した。さらに,クラス内エッジがクラス間エッジから分離できるとしても,グラフ注意畳込みはノードを完全に分類できないことを示した。完全なノード分類を超えて,グラフにおける構造雑音に対するグラフ注意のロバスト性に関する肯定的な結果を示した。特に,著者らのロバスト性結果は,グラフ注意が単純なグラフ畳込みとノード特徴の最良の線形分類器の両方よりも厳密に良いことを意味する。合成および実世界データに関する理論的結果を評価した。【JST・京大機械翻訳】