人工知能学会全国大会論文集
Online ISSN : 2758-7347
第36回 (2022)
セッションID: 1G4-OS-22a-03
会議情報

グラフ表現学習のためのグラフゲート機構付き多層パーセプトロンの提案と有限要素法のサロゲートモデルとしての応用
*中井 優奥田 洋司
著者情報
会議録・要旨集 フリー

詳細
抄録

GNNはグラフの表現学習を行うためのニューラルネットワークであり,多くはグラフ畳み込み層を積み重ねることにより構成される.この層数はグラフ内で情報を伝播できるホップ数に等しいため,大規模なグラフを扱うには十分な層数が必要である.しかし,GNNには層数を増やすと過平滑化という現象により予測精度が下がってしまう課題があった.本論文では,グラフ畳み込み層ではなくFNNの積み重ねをベースとしてGCNによるゲーティング構造を持つ全く新しいGNNを提案することで,過平滑化の問題を本質的に解決すること,それによりGNNが大きいグラフを扱う困難性を打開することを図った.本論文の実験結果は,従来の手法が4から8層で過平滑化を生じるのに対し,提案手法が過平滑化を生じることなく20層まで単調に予測精度を向上することを示した.ノード分類のベンチマークであるPPIデータセットとFEM計算を代替するタスクという,大規模なグラフを対象とする2つの実験においても,提案手法は比較した既存手法の中で最も高い精度を達成し,特にPPIデータセットでは99.71%の分類精度でState-of-the-Artを記録した.

著者関連情報
© 2022 人工知能学会
前の記事 次の記事
feedback
Top