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(GNN)はグラフデータを利用して顕著な性能を達成した。GNNモデルの成功は,常に豊富な特徴と隣接関係に依存する。しかし,実際には,そのようなデータは,通常,異なるデータ所有者(クライアント)によって分離され,従って,非独立で,そして,Identiclyに分散している(Non-IID)。一方,データ所有者の限られたネットワーク状態を考慮して,協調学習アプローチのためのハイパーパラメータ最適化は,データ分離シナリオにおいて時間がかかる。これらの問題に取り組むために,著者らは,自動分離型Feded-Feded Graph Network(ASFGNN)学習パラダイムを提案した。ASFGNNは,2つの主成分,すなわち,GNNの訓練とハイパーパラメータの調整から成る。具体的には,データ非IID問題を解くため,まず,GNNの訓練を2つの部分に分離する分離供給GNN学習モデルを提案した。時間消費パラメータ調整問題を処理するために,著者らは,すべてのクライアントのハイパーパラメータを自動的に調整するために,Bayes最適化技術を利用した。ベンチマークデータセット上で実験を行い,その結果は,ASFGNNが,精度とパラメータ調整効率の両方に関して,ナイーブな連合GNNよりも著しく優れていることを実証した。【JST・京大機械翻訳】