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。
ほとんどの既存のグラフニューラルネットワーク(GNN)は,データにおける選択バイアス,すなわち,試験セットによる訓練セット間の矛盾した分布を考慮することなく提案した。現実に,試験データは訓練過程でも利用可能でなく,選択バイアス診断を行う。偏った選択ノードを持つ訓練GNNは,有意なパラメータ推定バイアスをもたらし,試験ノードに対する一般化能力に大きく影響する。本論文では,まず,選択バイアスがGNNの一般化能力を著しく妨げ,選択バイアスがGNNパラメータに関する偏った推定を引き起こすことを,明らかに示す実験的研究を提示した。次に,GNN推定におけるバイアスを取り除くために,著者らは,分化した非相関正則化器を有する新規デバイアスグラフニューラルネットワーク(DGNN)を提案した。識別された脱相関正則化器は,学習された埋込みの偽相関が排除されるような,各ラベル付きノードに対するサンプル重みを推定する。因果律における正則化器を分析し,交絡バイアスへのそれらの寄与に基づいて変数の重みを差別化する。次に,これらのサンプル重みを,推定バイアスを除去するためにGNNを再重み付けするために用いて,このように,未知の試験ノードに関する予測の安定性を改善するのを助ける。包括的実験を,2種類のラベル選択バイアスを有するいくつかの挑戦的なグラフデータセットに関して実行した。結果は,著者らの提案モデルが最先端の方法より優れていて,DGNNが既存のGNNを強化するための柔軟なフレームワークであることを検証した。【JST・京大機械翻訳】