文献

J-GLOBAL ID：202202290248706529   整理番号：22A0180018

べき乗則グラフにおけるノード分類のための連続表現学習【JST・京大機械翻訳】

Continual representation learning for node classification in power-law graphs

著者 (3件)： Lombardo Gianfranco (Department of Engineering and Architecture, University of Parma, Italy) ,  Poggi Agostino (Department of Engineering and Architecture, University of Parma, Italy) ,  Tomaiuolo Michele (Department of Engineering and Architecture, University of Parma, Italy)
資料名： Future Generation Computer Systems  (Future Generation Computer Systems)
巻： 128  ページ： 420-428  発行年： 2022年 
JST資料番号： A0620C  ISSN： 0167-739X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ノード埋込み技術の最近の出現は,グラフ上の機械学習技術のより効率的な応用を可能にした。これらの技法は,ネットワークの各ノードを任意の低次元ベクトル表現に符号化することを可能にし,統計的学習モデルにより利用できる。しかしながら,これらのアプローチの主な限界は,埋込みタスクがグラフの静的スナップショットに関する最適化問題として解決されることである。実際のシナリオでは,時間的ダイナミックスはいくつかの結果で考慮されるべきである:新しいノードはネットワークを接合し,これらの新しいものだけの表現を得る。結果として,グラフ全体にわたる新しい訓練ステップが必要である。さらに,静的アプローチによる訓練モデルは,特に大きなネットワークを扱うとき,資源集約的要求を持つ。これを考慮して,既に学習された知識(ネットワークの部分的埋込み)とよく知られた特性のトップに構築する継続的な特徴学習は,実際のシナリオで効率的に両方の限界に対処する解決策である。本手法は,実システムの共通特性であるべき乗則関数によってその次数分布を記述するグラフに適している。本研究は3つの主な科学的貢献を示す:(a)ノード埋込みのための連続的特徴学習メタアルゴリズム,それはべき乗則分布と空間アラインメント技術の性質を利用する;埋込み空間(b)に依存する任意の従来のノード埋込み技法は,ノードラベリングタスクを実行することにより経験的に実証され,ネットワークハブノードの埋込みの限られた知識に基づいて,新しいノードを符号化する軽量解は,静的アプローチに関して,比較可能またはより良い性能を提供できる。(c)最後に,著者らは,時間グラフドメインにおいて著者らのアルゴリズムについて実験して,著者らは最新の技術の他の状態と比較してノード分類においてより良い結果を達成した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アラインメント ,  アルゴリズム ,  ベクトル ,  *学習 ,  最適化問題 ,  ネットワーク
準シソーラス用語： 確率学習 ,  *べき乗則 ,  スナップショット ,  べき乗分布 ,  次数分布 ,  低次元 ,  機械学習技術 , 【Automatic Indexing@JST】

著者キーワード (6件)： 埋込み ,  ノード埋込み ,  増分学習 ,  連続学習 ,  動的ネットワーク ,  表現学習

分類 (2件)： 計算機網  (JC03000K) ,  通信網  (ND07030A)

タイトルに関連する用語 (5件)： べき乗則 ,  グラフ ,  ノード ,  分類 ,  表現学習