| 講演名 | 2023-01-19 LSTMと条件付きVAEを用いた構造的特徴を高精度に指定可能なグラフ生成モデル 横山 昂大(長岡技科大), 佐藤 良紀(長岡技科大), 津川 翔(筑波大), 渡部 康平(長岡技科大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 近年，グラフを用いたアプリケーションの需要は高まっているが，実世界のグラフデータの利用はプライバシーなどの観点から難しい側面がある．そこで，既存のグラフ生成モデルは実世界のグラフの特徴を持ったデータセットの提供に役立つが，任意のグラフ特徴量だけを調整したグラフを生成することは難しい．我々は，この問題に対して与えられたグラフデータセットの特徴を模倣しつつ，特定の特徴量を連続的に調整したグラフを生成可能な生成モデルGraphTuneを提案してきたが，特徴量の調整精度については十分な精度が得られていなかった．本稿では，GraphTuneにグラフ特徴量の推定誤差をフィードバックする機構を追加し，交互に独立して学習させることにより劇的な精度向上を達成する手法を提案する．実グラフデータを用いた実験により，生成されるグラフの特徴量の分布が先鋭化し，高い精度で特徴量を調整可能であることを示した． |
| 抄録(英) | In recent years, there has been an increasing interest in developing models for learning and generating graphs using deep learning techniques. We developed graph generation model focusing on new aspects of graphs and compared it with baselines. The results showed that our proposed model outperforms the baseline on several indices. |
| キーワード(和) | ネットワーク / グラフ / 条件付きVAE / LSTM / 条件付き生成 / 機械学習 |
| キーワード(英) | Network / Graph / Conditional VAE / LSTM / Conditional generation / Machine learning |
| 資料番号 | IN2022-52 |
| 発行日 | 2023-01-12 (IN) |
| 研究会情報 | |
| 研究会 | IN |
|---|---|
| 開催期間 | 2023/1/19(から2日開催) |
| 開催地（和） | 愛知県産業労働センター15階 愛知県立大学サテライトキャンパス |
| 開催地（英） | Aichi Industry & Labor Center |
| テーマ（和） | コンテンツ配信/流通、ソーシャルネットワーク(SNS)、データ分析・処理基盤、ビッグデータ及び一般 |
| テーマ（英） | Contents Distribution, Social Networking Services, Data Analytics and Processing Platform, Big data, etc. |
| 委員長氏名（和） | 波戸 邦夫(インターネットマルチフィード) |
| 委員長氏名（英） | Kunio Hato(Internet Multifeed) |
| 副委員長氏名（和） | 村瀬 勉(名大) |
| 副委員長氏名（英） | Tsutomu Murase(Nagoya Univ.) |
| 幹事氏名（和） | 城 哲(KDDI総合研究所) / 渡部 康平(長岡技科大) / 秦泉寺 久美(NTT) / 濱田 浩気(NTT) |
| 幹事氏名（英） | Tetsu Jyo(KDDI Research) / Kouhei Watabei(Nagaoka Univ. of Tech.) / Kumi Jinzenji(NTT) / Koki Hamada(NTT) |
| 幹事補佐氏名（和） | |
| 幹事補佐氏名（英） | |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Information Networks |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | LSTMと条件付きVAEを用いた構造的特徴を高精度に指定可能なグラフ生成モデル |
| サブタイトル（和） | |
| タイトル（英） | A Learning-Based Accurate Graph Reconstruction Model with Deep Learning |
| サブタイトル（和） | |
| キーワード(1)（和/英） | ネットワーク / Network |
| キーワード(2)（和/英） | グラフ / Graph |
| キーワード(3)（和/英） | 条件付きVAE / Conditional VAE |
| キーワード(4)（和/英） | LSTM / LSTM |
| キーワード(5)（和/英） | 条件付き生成 / Conditional generation |
| キーワード(6)（和/英） | 機械学習 / Machine learning |
| 第 1 著者 氏名（和/英） | 横山 昂大 / Takahiro Yokoyama |
| 第 1 著者 所属（和/英） | 長岡技術科学大学(略称：長岡技科大) Nagaoka University of Technology(略称：Nagaoka Univ. of Tech.) |
| 第 2 著者 氏名（和/英） | 佐藤 良紀 / Yoshiki Sato |
| 第 2 著者 所属（和/英） | 長岡技術科学大学(略称：長岡技科大) Nagaoka University of Technology(略称：Nagaoka Univ. of Tech.) |
| 第 3 著者 氏名（和/英） | 津川 翔 / Sho Tsugawa |
| 第 3 著者 所属（和/英） | 筑波大学(略称：筑波大) University of Tsukuba(略称：Univ. Tsukuba) |
| 第 4 著者 氏名（和/英） | 渡部 康平 / Kohei Watabe |
| 第 4 著者 所属（和/英） | 長岡技術科学大学(略称：長岡技科大) Nagaoka University of Technology(略称：Nagaoka Univ. of Tech.) |
| 発表年月日 | 2023-01-19 |
| 資料番号 | IN2022-52 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | IN-342 |
| ページ範囲 | pp.1-6(IN), |
| ページ数 | 6 |
| 発行日 | 2023-01-12 (IN) |