分布保存グラフ表現学習【JST・京大機械翻訳】

Mao Chengsheng; Luo Yuan

プレプリント

J-GLOBAL ID：202202219835544415 整理番号：22P0296040

分布保存グラフ表現学習【JST・京大機械翻訳】

Distribution Preserving Graph Representation Learning

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 (2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02月27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)

グラフニューラルネットワーク(GNN)は,ノードと全体グラフの分散表現のためのグラフをモデル化するのに有効である。最近,GNNの表現力に関する研究が注目されている。高抑圧GNNは識別グラフ表現を生成する能力を持つ。しかし,あるグラフ学習タスクのためのエンドツーエンド訓練プロセスでは,モデル一般化のために重要な情報を失う一方で,ターゲットタスクのための訓練データを適合させるグラフ表現を生成する高抑圧GNNリスクが,グラフ表現を生成する。本論文では,グラフ表現とノード表現におけるいくつかの種類の分布情報を保存することにより,表現GNNモデルの一般化可能性を改善できるGNNフレームワークであるGNNフレームワークを提案する。一般化可能性の他に,表現GNNバックボーンを適用することにより,DP-GNNも高い表現力を持つ。グラフ分類タスクのための多重ベンチマークデータセット上で提案したDP-GNNフレームワークを評価した。実験結果は,著者らのモデルが最先端の性能を達成することを証明した。【JST・京大機械翻訳】

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

ロボットの運動・制御 , 人工知能

, , ,

前のページに戻る