文献

J-GLOBAL ID：202202238751821053   整理番号：22A0456321

グラフニューラルネットワークにおける深い制約ベース伝搬【JST・京大機械翻訳】

Deep Constraint-Based Propagation in Graph Neural Networks

著者 (4件)： Tiezzi Matteo (Deparment of Information Engineering and Mathematics, University of Siena, Siena, Italy) ,  Marra Giuseppe (Deparment of Information Engineering and Mathematics, University of Siena, Siena, Italy) ,  Melacci Stefano (Deparment of Information Engineering and Mathematics, University of Siena, Siena, Italy) ,  Maggini Marco (Deparment of Information Engineering and Mathematics, University of Siena, Siena, 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： 727-739  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： 深層学習技法の人気は,グラフを用いて表現できる複雑な構造を処理できるニューラルアーキテクチャにおける興味を更新し,グラフニューラルネットワーク(GNN)によりヒントを得た。著者らは,学習段階の間,学習段階が到達し,隣接ノードの間の情報を伝播するまで,学習段階の間に計算しなければならない,反復拡散手順によってグラフのノードの状態をコード化する,Scarselliら2009の元々提案されたGNNモデルに関する著者らの注意を集中した。Lagrangeフレームワークにおける制約付き最適化に基づいて,GNNにおける学習に対する新しいアプローチを提案した。遷移関数とノード状態の両者は,結合プロセスの成果であり,その中で,状態収束手続きは,制約充足機構によって暗黙的に表現され,反復的画期的手順とネットワークアンフォールディングを避ける。重み,ノード状態変数およびLagrange乗数から成る随伴空間におけるLagrangeの鞍点に対する計算構造探索を行った。この過程は拡散過程を加速する制約の多重層によってさらに増強される。実験解析は,提案した手法がいくつかのベンチマークで一般的なモデルと良く比較できることを示した。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 ,  *ネットワーク ,  状態変数 ,  *ニューラルネットワーク ,  Lagrange乗数法 ,  デコンボリューション ,  鞍点 ,  多層 ,  拡散過程 ,  ベンチマーク ,  制約充足問題
準シソーラス用語： 制約付最適化 ,  深層学習 ,  隣接ノード , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

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 ,  制約 ,  伝搬