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。
グラフニューラルネットワーク(GNNs)は,異なるサイズのグラフを処理できるが,サイズ,特に小さなグラフから大きなグラフまで一般化するそれらの能力は,まだよく理解されていない。本論文では,小から大グラフへの一般化が挑戦的である重要なタイプのデータを同定した:局所構造がグラフサイズに依存するグラフ分布。この影響は,社会的および生物学的ネットワークを含む複数の重要なグラフ学習領域で生じる。著者らはまず,局所構造の間に差異があるとき,GNNはサイズを一般化するのに保証されない:小さなグラフ上でよく働くが,大きなグラフに失敗する”bad”大域的極小が存在することを証明した。次に,サイズ一般化問題を経験的に研究し,局所構造に矛盾があるとき,GNNは非一般化解に収束する傾向があることを示した。最後に,著者らの発見によって動機づけられたサイズ一般化を改善するための2つのアプローチを提案する。特に,大きなグラフに現れる局所構造の意味のある表現を学習することを目指した新しい自己監視学習(SSL)タスクを提案した。SSLタスクは,いくつかの一般的なデータセットで分類精度を改善する。【JST・京大機械翻訳】