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。
ノード分類またはリンク予測のような大規模ネットワークに関する予測タスクを解決するための一般的アプローチを,ネットワークのノードのユークリッド埋込みを学習することによって始め,それから,従来の機械学習法を適用することができる。これは,確率的勾配降下の各反復でグラフのサブサンプル上に形成される確率的損失を最適化することにより,埋込みを学習するDeepWalkとノード2vecのような方法を含む。本論文では,これらのタイプの方法の訓練損失に対する埋込みベクトルのl_2ペナルティを加える効果を調べた。グラフ上のいくつかの交換性仮定の下で,この漸近的に,核ノルム型ペナルティを持つグラフを学習し,学習埋込みベクトルの漸近分布に対する保証を与えることを証明した。特に,ペナルティの正確な形式は,確率的勾配降下の一部として使われるサブサンプリング法の選択に依存する。また,ノード共変量をL_2正則化ノード2ベック埋込みに連結するのは,ノード共変量とネットワーク構造を非線形的に組み込む方法に対する性能に優れないとき,比較可能となることを経験的に例証した。【JST・京大機械翻訳】