核心概念
本論文では、大規模グラフデータに対応するため、サブグラフクラスタリングと確率的勾配降下法を組み合わせたグラフ畳み込みニューラルネットワークを提案する。これにより、大規模グラフデータに対する半教師あり ノード分類を効率的に行うことができる。
摘要
本論文では、以下の取り組みを行っている:
グラフ学習層とデュアルグラフ畳み込み層を組み合わせたグラフ学習デュアルグラフ畳み込みニューラルネットワーク(GLDGCN)を提案した。これにより、グラフ構造を適応的に学習し、より効果的な特徴抽出が可能となる。
GLDGCN をCiteseer、Cora、Pubmedなどの引用ネットワークデータセットに適用し、従来手法と比較して高い分類精度を達成した。
大規模グラフデータに対応するため、サブグラフクラスタリングと確率的勾配降下法を組み合わせたクラスタリンググラフ畳み込みニューラルネットワーク(CLGCN)を提案した。これにより、大規模グラフデータに対する半教師あり ノード分類を効率的に行うことができる。
CLGCN をPubmed、PPI、Redditなどの大規模グラフデータセットに適用し、従来手法と比較して高い分類精度を達成した。また、ミニバッチ処理の利点と課題についても議論した。
統計資料
Pubmedデータセットは19,717ノード、44,338エッジを持つ大規模グラフである。
PPIデータセットは50,000ノード以上の大規模グラフである。
Redditデータセットは200,000ノード以上の大規模グラフである。
引述
"本論文では、大規模グラフデータに対応するため、サブグラフクラスタリングと確率的勾配降下法を組み合わせたグラフ畳み込みニューラルネットワークを提案する。"
"CLGCN をPubmed、PPI、Redditなどの大規模グラフデータセットに適用し、従来手法と比較して高い分類精度を達成した。"