講演抄録/キーワード |
講演名 |
2020-03-11 09:20
部分空間を用いたグラフ構造の表現学習法の提案 ○石河純輝・塩川浩昭・福井和広(筑波大) IBISML2019-40 |
抄録 |
(和) |
本稿では,部分空間表現を用いたグラフの表現学習手法を提案する.従来は,グラフ埋め込みを用いてグラ フを一つのベクトルとして表す方法が主流であった.これに対して提案法では,グラフの各ノードに対するベクトル 埋め込みを前提として,グラフをノードベクトルのセットで表す.これにより二つのグラフの構造類似度を測る問題 は,各グラフに対応するベクトルセット間の類似度を測る問題に変換される.提案法では,このようなベクトルセッ ト類似度を効率的に計算するために,Image set ベース画像認識において広く使われている部分空間表現を導入する. ここでは各ベクトルセットは低次元の部分空間で表され,ベクトルセット間の類似度計算は,対応する二つの部分空 間の構造類似度を両者の成す正準角に基づいて測る問題へと置き換わる.単一ベクトルで表現する従来法に対する提 案法の優位性は,1)精細なグラフ構造をより反映したグラフ類似度が求まる,2)類似度計算の過程で得られる正 準角に基づいて,比較するグラフ間で,似ているノード,逆に異なるノードを容易に特定できる点が挙げられる.こ れらに基づいて,グラフ構造の比較において,各ノードの重要度を測る手段やグラフ間の差分成分を抽出する手段を 提供することで,グラフ解析における高い解釈性を高める.公開データベースを用いたグラフ識別問題を通して,提 案法が従来法に対して同程度以上の識別性能を実現し,同時に高い解釈性も有することを確認した. |
(英) |
In this research, we discuss a representation learning for graph analysis, where a graph is represented by a low dimensional subspace in a high vector space. This subspace representation allows us to calculate easily the structural similarity between graphs with showing the importance degree of each graph node in the similar- ity calculation. We demonstrate the effectiveness of our method on three benchmark databases related to graph classification, outperforming several conventional representation learning methods. |
キーワード |
(和) |
グラフ / グラフ埋め込み / グラフの表現学習 / / / / / |
(英) |
graph / graph embedding / representation learning on graphs / / / / / |
文献情報 |
信学技報, vol. 119, no. 476, IBISML2019-40, pp. 51-57, 2020年3月. |
資料番号 |
IBISML2019-40 |
発行日 |
2020-03-03 (IBISML) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2019-40 |