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。
様々なアプリケーションにおけるグラフニューラルネットワーク(GNN)の成功にもかかわらず,GNNは,監視信号量,即ち,ラベル付きノードの数が制限され,ラベル付きノードから得られた監視に基づいてのみ訓練される,が制約される。他方,自己監督学習パラダイムは,ラベル付きノードを必要としないプレテキストタスクを解くことによりGNNを訓練し,少数のラベル付きノードで訓練されたGNNを凌駕することが示された。しかし,自己監督法の主な欠点は,訓練中にラベル付き情報が利用されないので,学習クラス識別ノード表現の短縮が短いことである。この目的のために,同じクラスに属するノードを一緒にグループ化するために,少数のラベル付きノードを利用するグラフ,GraFNのための新しい半教師つき方法を提案し,それによって,半教師つきおよび自己監督された方法の両方の世界で最良のものを達成した。特に,GraFNは,ラベル付きノードからのノードと全体グラフからアンカーノードをサポートした。次に,2つの異なる拡張グラフからアンカーサポート類似性によってノンパラメトリックに割り当てられる2つの予測クラス分布間の差を最小化する。著者らは,GraFNが,実世界グラフ上のノード分類に関して,半教師つきおよび自己監督法の両方を上回ることを実験的に示した。GraFNのソースコードはhttps://github.com/Junseok0207/GraFNで利用可能である。【JST・京大機械翻訳】