文献

J-GLOBAL ID：202202289762980208   整理番号：22A0456322

属性マイニンググラフに関する学習【JST・京大機械翻訳】

Learning on Attribute-Missing Graphs

著者 (6件)： Chen Xu (Shanghai Key Laboratory of Multimedia Processing and Transmissions, Cooperative Medianet Innovation Center, Shanghai Jiao Tong University, Shanghai, China) ,  Chen Siheng (Mitsubishi Electric Research Laboratories, Cambridge, MA, USA) ,  Yao Jiangchao (Alibaba Group, Hangzhou, China) ,  Zheng Huangjie (Texas University, Austin, TX, USA) ,  Zhang Ya (Shanghai Key Laboratory of Multimedia Processing and Transmissions, Cooperative Medianet Innovation Center, Shanghai Jiao Tong University, Shanghai, China) ,  Tsang Ivor W. (University of Technology Sydney, Sydney, NSW, Australia)
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： 740-757  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： 完全なノード属性を持つグラフは最近広く探索されてきた。実際には,部分ノードのみの属性が利用可能であり,他のものが全く欠落しているグラフが存在する。この属性-送信グラフは多数の実世界アプリケーションに関連しており,対応する学習問題を調べる研究は限られている。ポピュラーなGNNを含む既存のグラフ学習法は,属性-メッセージンググラフのために指定されないので,満足な学習性能を提供できない。従って,これらのグラフに対する新しいGNNを設計することは,グラフ学習コミュニティに対する燃焼問題である。本論文では,グラフ上で共有的拡張空間仮定を作成し,属性送信グラフのための構造属性変圧器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。SATは,分離方式における構造と属性を利用して,分布マッチング技術によって構造と属性の結合分布モデリングを達成した。それはリンク予測タスクを実行するだけでなく,新しく導入したノード属性完了タスクも実行することができた。さらに,ノード属性完了の性能を定量化するために,実用的測度を導入した。7つの実世界データセットに関する大規模な実験は,SATがリンク予測とノード属性完了タスクの両方に関して他の方法より良い性能を示した。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： 測度 ,  変圧器 ,  *学習 ,  応用プログラム
準シソーラス用語： 学習コミュニティ , 【Automatic Indexing@JST】

分類 (2件)： 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)： 属性 ,  グラフ ,  学習