グラフニューラルネットワークにおける局所構造からサイズ一般化へ【JST・京大機械翻訳】

Yehudai Gilad; Fetaya Ethan; Meirom Eli; Chechik Gal; Maron Haggai

プレプリント

J-GLOBAL ID：202202211621301042 整理番号：21P0054989

グラフニューラルネットワークにおける局所構造からサイズ一般化へ【JST・京大機械翻訳】

From Local Structures to Size Generalization in Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年10月17日プレプリントサーバーでの情報更新日： 2021年07月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, ,
, , 【Automatic Indexing@JST】

グラフ理論基礎

, , ,

前のページに戻る