Local2Global:グラフ上の表現学習のための分散アプローチ【JST・京大機械翻訳】

Jeub Lucas G. S.; Colavizza Giovanni; Dong Xiaowen; Bazzi Marya; Cucuringu Mihai

プレプリント

J-GLOBAL ID：202202214197850323 整理番号：22P0026966

Local2Global:グラフ上の表現学習のための分散アプローチ【JST・京大機械翻訳】

Local2Global: A distributed approach for scaling representation learning on graphs

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 (5件)： , , , ,
資料名：
発行年： 2022年01月12日プレプリントサーバーでの情報更新日： 2022年01月12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)

グラフ表現学習に対する分散”局所2グローバル”アプローチを提案し,1つは任意の埋込み技法をスケールするために利用できる。局所2大域手法は,入力グラフを重複部分グラフ(または「パッチ」)に分割し,各パッチに対して独立に局所表現を訓練する。第2ステップでは,グループ同期を介してパッチオーバラップからの情報を用いて局所表現を最良に並べる剛体運動のセットを推定することにより,局所表現を大域的に一貫した表現に結合させた。既存の研究に対する局所2大域の鍵となる識別特徴は,パッチが分散訓練中にしばしば高価なパラメータ同期の必要なしに独立に訓練されることである。これは,入力グラフがメモリに適合せず,分散方式で保存されるかもしれない大規模産業アプリケーションへの局所2グローバルスケールを可能にする。異なるサイズのデータセットに局所2大域を適用し,この手法がエッジ再構成と半教師つき分類に関するスケールと精度の間の良好なトレードオフを達成することを示した。また,異常検出の下流タスクも考慮し,サイバーセキュリティネットワークにおける異常を強調するために,ローカル2大域をいかに使用できるかを示した。【JST・京大機械翻訳】

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

パターン認識 , 人工知能

前のページに戻る