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。
高度なグラフニューラルネットワークは,最近,グラフ分類タスクにおいて大きなポテンシャルを示した。ノードラベルを局所近傍から集合するノード埋込みがノードラベルを学習するために直接使用できるノード分類とは異なり,グラフ分類は識別グラフ埋込みを生成するトポロジー情報の異なるレベルの階層的蓄積を必要とする。なお,グラフ構造を完全に探索し,効果的なグラフ分類パイプラインを定式化する方法は,Rumentのままである。本論文では,グラフ分類のための構造推論による教師つきコントラスト学習に基づく新しいグラフニューラルネットワークを提案した。最初に,既存のエッジ集合を強化するための付加的接続を発見することができるデータ駆動グラフ増強戦略を提案した。具体的には,高いノード類似性を持つ可能な接続を回復するために拡散カスケードに基づく構造推論段階に頼る。第二に,グラフニューラルネットワークのコントラスト力を改善するために,グラフ分類のための教師つきコントラスト損失を用いることを提案した。ラベル情報の統合により,1対人的コントラスト学習は,多くの対人的設定に拡張でき,従って,より高いトポロジー類似性を持つグラフレベル埋込みは,より近いように引き出される。教師つきコントラスト損失と構造推論を階層的グラフニューラルネットワーク内に自然に組み込むことができ,そこではトポロジーパターンを完全に探索して識別グラフ埋込みを生成することができる。実験結果は,最近の最先端の方法と比較して,提案した方法の有効性を示した。【JST・京大機械翻訳】