文献

J-GLOBAL ID：202202223484472050   整理番号：22A0456323

グラフニューラルネットワークによる帰納的対数変換学習について【JST・京大機械翻訳】

On Inductive-Transductive Learning With Graph Neural Networks

著者 (4件)： Ciano Giorgio (University of Florence, Firenze, Italy) ,  Rossi Alberto (University of Florence, Firenze, Italy) ,  Bianchini Monica (University of Florence, Firenze, Italy) ,  Scarselli Franco (University of Florence, Firenze, Italy)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 44  号： 2  ページ： 758-769  発行年： 2022年 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多くの実世界ドメインはグラフによって自然に表現される情報を含み,そこではノードが基本的パターンを示し,一方,エッジがそれらの間の関係に立っている。グラフニューラルネットワーク(GNN)はグラフの構造化データを直接管理できる機械学習モデルである。元のフレームワークでは,GNNは誘導訓練され,教師つき学習環境に基づくパラメータを適応させる。しかし,GNNは,パターン間の関係を用いて,情報フローとグラフ全体に広がる自然な方法のおかげで,トランスダクティブ学習を利用することもできる。本論文では,混合誘導インピーダンス変換GNNモデルを提案し,その特性を研究し,誘導およびトランスダクティブ学習の役割を理解および識別することを可能にする実験戦略を導入した。予備実験結果は,混合モデルの興味深い性質を示し,問題の特殊性とデータが2つの学習戦略にいかに影響するかを強調した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *ニューラルネットワーク ,  教師つき学習 ,  機械学習
準シソーラス用語： 混合モデル ,  特異性 ,  情報フロー ,  予備実験 ,  学習戦略 ,  トランスダクティブ学習 ,  構造化データ , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： グラフニューラルネットワーク ,  対数変換 ,  学習