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。
既存の知識蒸留法は畳み込みニューラルネットワーク(CNNs)に焦点を合わせ,そこでは画像のような入力サンプルが格子領域にあり,非格子データを扱うグラフ畳み込みネットワーク(GCN)を大きく見落としている。本論文では,事前訓練されたGCNモデルからの知識を蒸留する最初の専用のアプローチを,著者らが知る限り提案した。教師GCNから学生への知識移転を可能にするために,教師のトポロジー意味論を明示的に説明する局所構造保存モジュールを提案した。このモジュールでは,教師と学生の両方からの局所構造情報を分布として抽出し,従って,これらの分布間の距離を最小化することにより,教師からのトポロジー認識知識移転を可能にし,コンパクトだが高性能の学生モデルを得た。さらに,提案した手法は動的グラフモデルに容易に拡張可能であり,教師と学生の入力グラフが異なる可能性がある。異なるアーキテクチャのGCNモデルを用いて2つの異なるデータセットで提案した方法を評価し,この方法がGCNモデルに対する最先端の知識蒸留性能を達成することを実証した。コードはhttps://github.com/ihollywhy/DistillGCN.PyTorchで公開されている。【JST・京大機械翻訳】