グラフ半教師つき学習のための巡回ラベル伝搬【JST・京大機械翻訳】

Li Zhao; Liu Yixin; Zhang Zhen; Pan Shirui; Gao Jianliang; Bu Jiajun

プレプリント

J-GLOBAL ID：202202212257002839 整理番号：22P0212166

グラフ半教師つき学習のための巡回ラベル伝搬【JST・京大機械翻訳】

Cyclic Label Propagation for Graph Semi-supervised Learning

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 (6件)： , , , , ,
資料名：
発行年： 2020年11月23日プレプリントサーバーでの情報更新日： 2020年11月23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(GNN)はグラフ解析,特に半教師つき学習のシナリオにおいて効果的なアプローチとして浮上している。その成功にもかかわらず,GNNはしばしば過剰平滑化と過剰適合問題を受け,ノード分類タスクに対するその性能に影響する。代替方法,ラベル伝搬アルゴリズム(LPA)は前述の問題を避け,グラフ半教師つき学習の有望な選択である。それにもかかわらず,特徴開発と関係モデリングに関するLPAの固有限界は,伝搬ラベルが有効でないようになる。これらの限界を克服するために,GNNとLPAの両方の利点を利用するために,周期的および相互強化方法でラベル伝搬のプロセスにGNNを統合する,周期的ラベル伝搬(略語のためのCycProp)と呼ばれるグラフ半教師つき学習のための新しいフレームワークを導入した。特に,提案したCycPropは,ラベル伝搬による拡張情報を有するGNNモジュールによって学習されたノード埋込みを更新し,一方,ノード埋込みの援助によるラベル伝搬の重みづけグラフを微調整する。モデル収束後,LPAとGNNモジュールを用いて,それぞれ,確実に予測されたラベルと有益なノード埋込みを得た。種々の実世界データセットに関する広範な実験を行い,実験結果は,提案したCycPropモデルが最先端の方法よりも比較的重要な利得を達成できることを経験的に実証した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る