ハイブリッド散乱ネットワークによるグラフ畳込みネットワークにおける過剰平滑性の克服【JST・京大機械翻訳】

Wenkel Frederik; Min Yimeng; Hirn Matthew; Perlmutter Michael; Wolf Guy

プレプリント

J-GLOBAL ID：202202218103666880 整理番号：22P0278092

ハイブリッド散乱ネットワークによるグラフ畳込みネットワークにおける過剰平滑性の克服【JST・京大機械翻訳】

Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering 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 (5件)： , , , ,
資料名：
発行年： 2022年01月21日プレプリントサーバーでの情報更新日： 2022年08月14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)

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】

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

人工知能

, , ,

前のページに戻る