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。
幾何学的深層学習は,従来のドメインから非ユークリダンのものへの構造意識ニューラルネットワークの設計を一般化する大きなストライドを作って,例えばソーシャルネットワーク,生化学,および材料科学において生じるグラフ構造データに適用することができるグラフニューラルネットワーク(GNN)を生じさせる。特に,それらのユークリッド対応物に触発されたグラフ畳込みネットワーク(GCN)は,構造意識特徴を抽出することによりグラフデータを処理する際に成功している。しかし,現在のGNNモデルは,それらの表現力とより複雑なグラフデータセットを一般化する能力を制限する様々な現象によってしばしば制約される。ほとんどのモデルは,局所平均化操作によるグラフ信号の低域フィルタリングに本質的に依存し,過剰平滑化をもたらす。さらに,円滑な過剰平滑化を避けるために,最も一般的なGCNスタイルネットワークは,狭い受容野で浅い傾向があり,下界に通じる。ここでは,幾何学的散乱により定義された帯域通過フィルタと従来のGCNフィルタを組み合わせたハイブリッドGNNフレームワークを提案した。さらに,ノードレベルで異なるフィルタから複合情報に局所的に拡張できる注意フレームワークを導入した。著者らの理論的結果は,グラフから構造情報を利用するための散乱フィルタの相補的利点を確立し,一方,著者らの実験は,様々な学習タスクに対する著者らの方法の利点を示した。【JST・京大機械翻訳】