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,非ユークリダンデータの学習に従来の畳み込みを拡張することにより顕著な成功を達成した。GNNの鍵は,2つの段階,即ち,凝集と更新による神経メッセージパッシングパラダイムを採用することである。GNNの現在の設計は,凝集段階におけるトポロジー情報を考慮する。しかしながら,更新段階において,すべてのノードは同じ更新機能を共有する。同一の更新関数は,i.i.d.ランダム変数として各ノード埋込みを処理し,従って,GNNの容量を制限する近傍間の陰的関係を無視する。更新関数は通常線形変換とそれに続く非線形活性化関数で実行される。更新機能トポロジーを意識するために,トポロジー情報を非線形活性化関数に注入し,グラフ適応化線形ユニット(GReLU)を提案し,これは,新しい効率的な方法で近傍情報を組み込んだ新しいパラメトリック活性化関数である。GReLUのパラメータは,ノード特徴と対応する隣接行列の両方に基づく超関数から得られる。過剰適合と計算コストのリスクを減らすために,著者らは,それぞれノードと特徴のための2つの独立成分として超機能を分解する。著者らは,著者らのプラグアンドプレイGReLU法が,異なるGNNバックボーンと様々な下流タスクで効率的で有効であることを示すために,包括的な実験を行った。【JST・京大機械翻訳】