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。
グラフホップと呼ばれる強化ラベル伝搬(LP)法を最近提案した。それは,様々なネットワーク上の半教師つきノード分類タスクにおけるグラフ畳込みネットワーク(GCN)より優れている。グラフHopの性能は関節ノード属性とラベル信号平滑化によって直観的に説明されたが,その厳密な数学的処理は不足している。本論文では,グラフノード分類のためのラベル効率的正則化と伝搬(LERP)フレームワークを提案し,その解のための代替最適化手順を提示した。さらに,グラフHopは,このフレームワークに対して近似解を提供し,2つの欠点を持つことを示した。第1に,ラベル更新ステップにおいて,擬似ラベルノードの信頼性を考慮せずに,分類器訓練におけるすべてのノードを含む。第2に,それはラベル凝集ステップにおける部分問題の最適に粗い近似を提供する。LERPフレームワークに基づいて,著者らは,これらの2つの短所を解決するために,LERP法と呼ぶ新しい方法を提案した。LERPは,代替最適化中に適応的に信頼できる擬似ラベルを決定し,計算効率で最適により良い近似を提供する。LERPの理論的収束を保証した。LERPの有効性と効率を実証するために広範な実験を行った。すなわち,LERPは,グラフHopを含むすべてのベンチマーク法,特に5つのテストデータセットと非常に低いラベルレート(即ち,1,2,4,8,16と20のラベル付きサンプル)での物体認識タスクを含む。【JST・京大機械翻訳】