抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ネットワークデータに関するランダムウォークプロセスは,ネットワーク表現学習のための広く使われているアプローチである。しかし,Skip-gramのコンテキストのためのノードシーケンスとサブサンプリングのサンプリングは2つの欠点を持つと主張する。ひとつは,均一グラフ探索だけによって,あらゆる中心ノードのために最も相関するコンテキストノードを正確に見つける可能性が低い。もう1つは,ハイパーパラメータチューニングの高価なコストのため,容易に制御されない。そのような2つの欠点は,豊富で無関係なサンプルにより,より高い訓練コストとより低い精度をもたらす。これらの問題を解決するために,著者らは,個人化ページランク(PPR)に基づくランダムウォークの適応確率を計算し,複雑なサンプリングプロセスとネガティブサンプリングを使用しない適応SKip-グラム(ASK)モデルを提案した。正のサンプル選択のためにk-最重要な近傍を利用して,それらの対応するPPR確率を目的関数に付着させた。3つの引用ネットワークと3つのソーシャルネットワークを有するベンチマークデータセットに基づいて,著者らはリンク予測,ノード分類,および埋込み可視化のタスクにおけるネットワーク表現学習のための著者らのASKモデルの改良を実証した。結果は,より効果的性能と効率的学習時間を達成した。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】