グラフ表現学習法に関する調査【JST・京大機械翻訳】

Khoshraftar Shima; An Aijun

プレプリント

J-GLOBAL ID：202202220141533236 整理番号：22P0325352

グラフ表現学習法に関する調査【JST・京大機械翻訳】

A Survey on Graph Representation Learning Methods

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04月04日プレプリントサーバーでの情報更新日： 2022年06月15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)

グラフ表現学習は,近年非常に活発な研究領域であった。グラフ表現学習の目標は,大規模グラフの構造と特徴を正確に捉えるグラフ表現ベクトルを生成することである。これは,グラフ表現ベクトルの品質がノード分類,リンク予測および異常検出のような下流タスクにおけるこれらのベクトルの性能に影響を及ぼすので,特に重要である。効果的なグラフ表現ベクトルを生成するための多くの技法を提案した。グラフ表現学習の最も一般的なカテゴリーの2つはグラフニューラルネット(GNN)を使用しないグラフ埋込み法であり,非GNNベースグラフ埋込み法とグラフニューラルネット(GNN)ベース法を示した。非GNNグラフ埋込み法は,ランダムウォーク,時間点プロセスおよびニューラルネットワーク学習法のような技術に基づいている。他方,GNNベースの方法はグラフデータに関する深層学習の応用である。この調査では,これら2つのカテゴリーの概観を提供し,静的および動的グラフの両方に対する現在の最先端技術をカバーする。最後に,将来の研究のためのいくつかのオープンで進行中の研究方向を探究した。【JST・京大機械翻訳】

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

人工知能 , グラフ理論基礎

前のページに戻る