非教示なグラフ分散表現のエッジ特徴による改良

• Item type: Journal(1)
• 公開日: 2021-01-15
• タイトル: 非教示なグラフ分散表現のエッジ特徴による改良
• タイトル / 言語: en
• タイトル: Unsupervised Graph Embedding Improved by Edge Features
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文] ライングラフ，グラフの分散表現，グラフベースパターン認識
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00208904
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 電気通信大学
• 著者所属: 電気通信大学
• 著者所属(英): en
• 著者所属(英): The University of Electro-Communications
• 著者所属(英): en
• 著者所属(英): The University of Electro-Communications
• 著者名: 陳, 宏; 古賀, 久志
• 著者名(英): Hong, Chen; Hisashi, Koga
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，様々なグラフデータセットの分散表現を学習する手法が提案された．その1つであるGraph2vecはグラフ分類に有用なグラフ全体の分散表現を非教示で学習可能である．本論文ではまず，Graph2vecには（1）エッジラベルを取り扱えない，（2）ノードラベルと構造情報を同時に分散表現に畳み込むため，構造の類似性を適切に判定できないことがあるという2つの課題があることを述べる．本論文では，これら2つの課題をライングラフ（edge-to-vertex dual graph）を用いて解決する手法を提案する．提案手法では，Graph2vecでは考慮できない元グラフGのエッジラベルや構造情報をエッジ特徴として表現後，ライングラフLGのノード特徴に変換する．そして，Gの分散表現にLGの分散表現を連結することで，エッジラベルや構造情報が補完された分散表現を生成する．この提案手法をGL2vec（Graph and Line graph to vector）と名付ける．実験により，GL2vecが多くのベンチマークデータセットに対してグラフ分類性能をGraph2vecより改善できることを示す．さらに，グラフとライングラフの分散表現を連結するというGL2vecのアプローチは，任意の非教示型の分散表現学習手法にも適用できる．実際にGraph2vec以外の分散表現学習手法でも有効性を確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Recently, how to learn the distributed representation for a given graph dataset is intensively studied. Among them, Graph2vec unsupervisedly learns the distributed representation of entire graphs that is useful for graph classification. This paper first points out two drawbacks of Graph2vec: (1) Edge labels cannot be handled and (2) Graph2vec cannot always evaluate the structural similarity properly, because the node label and the structural information are embedded into the distribution representation at the same time. This paper proposes a method to cope with the two drawbacks that exploits the line graphs (edge-to-vertex dual graphs) of given graphs. Especially, our method complements either the edge labels or the structural information with the distributed representation of the line graphs. Then, it appends the distributed representation of the line graph to that of the original graph. Experimentally, our method achieves significant improvements in graph classification task over Graph2vec for many benchmark datasets. The approach of GL2vec is applicable to any other unsupervised methods to learn distributed representations for graphs than Graph2vec.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 62, 号 1, p. 357-368, 発行日 2021-01-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764