文献

J-GLOBAL ID：202202258259053366   整理番号：22A0930953

グラフ少数ショットクラス増分学習【JST・京大機械翻訳】

Graph Few-shot Class-incremental Learning

著者 (4件)： Tan Zhen (Arizona State University, Tempe, AZ, USA) ,  Ding Kaize (Arizona State University, Tempe, AZ, USA) ,  Guo Ruocheng (City University of Hong Kong, Kowloon, Hong Kong) ,  Liu Huan (Arizona State University, Tempe, AZ, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’22  ページ： 987-996  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： 新しいクラスを徐々に学習する能力は,すべての実世界人工知能システムに不可欠である。ソーシャルメディア,推薦システム,E-コマースプラットフォームなどの高衝撃応用の大部分はグラフモデルによって表現できる。本論文では,グラフモデルが新たに遭遇するクラスと以前に学習されたクラスの両方を分類するためにタスクされる,困難な,実用的な問題,すなわち,少数ショットクラスインクリメンタル(ΔΣ FCL)問題を研究した。その目的に向けて,著者らは,ベースクラスから反復的にタスクをサンプリングすることによって,グラフ擬似インクリメンタル学習パラダイムを提唱して,インクリメンタル学習スキルを実践するために,著者らのモデルのために任意の数の訓練エピソードを生成した。さらに,著者らは,最適化の観点から,階層構造-AttentionベースのグラフMeta学習フレームワーク,HAG-Metaを設計した。タスクレベル注意とノードクラスプロトタイプから計算されたタスク感受性正則化器を提示して,新しいまたはベースクラスのいずれかへの過剰適合を緩和する。トポロジー知識を採用するために,プロトタイプ表現を調整するためにノードレベル注意モジュールを追加した。本モデルは古い知識強化のより大きな安定性を達成するだけでなく,非常に限られたデータサンプルで新しい知識に有利な適応性を獲得する。アマゾンクロッシング,レッドディットおよびDBLPを含む3つの実世界データセットに関する広範な実験は,著者らのフレームワークがベースラインおよび他の関連する最先端手法と比較して顕著な利点を示すことを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 安定性 ,  位相幾何学 ,  最適化 ,  衝撃 ,  *学習 ,  分岐器 ,  ニューラルネットワーク ,  粒状材 ,  正則化 ,  人工知能システム ,  注意 ,  プロトタイプ
準シソーラス用語： グラフモデル ,  インクリメンタル学習 ,  ソーシャルメディア , 【Automatic Indexing@JST】

著者キーワード (3件)： 少数ショット学習 ,  グラフニューラルネットワーク ,  増分学習

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

タイトルに関連する用語 (4件)： グラフ ,  ショット ,  クラス ,  学習