Core Concepts
グラフデータの少ないラベル環境下でも高精度なノード分類を実現するため、入力空間と潜在空間の2つの視点からサブグラフを抽出し、それらを融合することで局所構造と長距離依存性を捉えることができる。
Abstract
本研究は、グラフデータの少ないラベル環境下でも高精度なノード分類を実現するための手法を提案している。
具体的には以下の手順で行われる:
入力グラフデータから潜在グラフを再構築し、距離の遠い情報ノードが近接するように変換する。
入力グラフと潜在グラフから、それぞれナイーブ埋め込みと潜在埋め込みを抽出する。
情報理論に基づいた識別メカニズムを用いて、ナイーブ埋め込みからナイーブサブグラフを、潜在埋め込みから潜在サブグラフを抽出する。これにより、局所構造と長距離依存性を捉えることができる。
ナイーブサブグラフと潜在サブグラフを融合し、ノード表現を拡張する。
ノード表現と異なるサブグラフ表現の関係を活用したプロトタイプ損失関数を導入し、限られたラベル情報を有効活用する。
この手法により、少ないラベル情報でも高精度なノード分類が可能となる。理論的な一般化誤差の解析から、提案手法が補完的な情報を捉えられることが示されている。実験結果からも、提案手法が既存手法を上回る性能を示すことが確認された。
Stats
少ないラベル情報でも高精度なノード分類が可能
局所構造と長距離依存性を効果的に捉えられる
Quotes
"グラフデータの少ないラベル環境下でも高精度なノード分類を実現するため、入力空間と潜在空間の2つの視点からサブグラフを抽出し、それらを融合することで局所構造と長距離依存性を捉えることができる。"
"理論的な一般化誤差の解析から、提案手法が補完的な情報を捉えられることが示されている。"