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。
グラフ畳み込みネットワーク(GCN)は,不規則構造のデータに対して調整したグラフフィルタリングカーネルを用いる。しかし,GCN層を単純に積層することは,性能を改善しなかった。代わりに,出力は,非情報的低次元部分空間に収束し,そこでは,収束速度がグラフスペクトルによって特徴付けられ,GCNにおける既知の過剰平滑化問題であった。本論文では,データに固有のペアワイズ相関を維持しながら,過剰平滑化を回避するグラフトポロジーを計算する前に新しいスペクトルを組み込んだスパースグラフ学習アルゴリズムを提案した。特に,多層GCN出力のスペクトル解析に基づいて,グラフラプラシアン行列Lの前のスペクトルを導出し,過剰平滑化に対するモデル表現性をロバスト化した。次に,著者らは,ブロック座標降下(BCD)によって効率的に解くスペクトルによって,スパースグラフ学習問題を定式化した。さらに,スペクトル操作なしで学習された元のグラフ上のデータ平滑性に基づいて,事前のスペクトルで忠実度項をオフする重みパラメータを最適化する。次に,出力Lを教師つきGCN訓練のために正規化した。実験は,著者らの提案が,競合する方式と比較して,回帰と分類タスクに対して,より深いGCNとより高い予測精度を生成することを示した。【JST・京大機械翻訳】