深層グラフ畳込みネットワークに対するスペクトル事前のスパースグラフ学習【JST・京大機械翻訳】

Zeng Jin; Liu Yang; Cheung Gene; Hu Wei

プレプリント

J-GLOBAL ID：202202213838578924 整理番号：22P0296138

深層グラフ畳込みネットワークに対するスペクトル事前のスパースグラフ学習【JST・京大機械翻訳】

Sparse Graph Learning with Spectrum Prior for Deep Graph Convolutional Networks

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 (4件)： , , ,
資料名：
発行年： 2022年02月27日プレプリントサーバーでの情報更新日： 2022年11月02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】

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

グラフ理論基礎 , 人工知能

, , , ,

前のページに戻る