http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 전설희(Seolhee Jeon) (검색결과 1 건)
- 무료
- 기관 내 무료
- 유료
-
상호정보량과 그래프 뉴럴 네트워크 기반의 설명가능한 링크 예측
전설희(Seolhee Jeon),이광희(Kwang Hee Lee),김명호(Myoung Ho Kim) 한국정보과학회 2021 정보과학회 컴퓨팅의 실제 논문지 Vol.27 No.9
최근에 그래프 뉴럴 네트워크는 노드 분류, 그래프 분류, 링크 예측 등의 그래프 마이닝/머신러닝에서 훌륭한 성능을 보였다. 많은 그래프 임베딩 기법들이 그래프에서의 노드 간의 유사도를 벡터 공간에서의 거리로 표현하고자 한다. 실제 그래프 구조의 데이터를 임베딩하여 심층학습을 하면 이웃 노드들로부터 전달되는 정보의 복잡한 상호작용과 많은 잠재적 요소들에 의해 정보가 얽히기 때문에 그래프 뉴럴 네트워크의 결과를 해석할 수가 없다. 이 문제를 개선하기 위해 본 논문은 그래프 뉴럴 네트워크의 좋은 링크 예측 성능과 링크에 대한 설명을 제시하는 상호정보량 기반의 방법을 제안한다. 상호정보량을 활용하여 두 노드 간의 유사도를 최대화하는 로컬 서브그래프를 찾고 노드 간의 연결에 대해 통계적으로 설명한다. 제안한 방법에서는 기존 그래프에서 링크 예측에 중요한 노드와 간선을 추출한 서브그래프를 다시 학습하여 링크 예측의 좋은 성능을 보인다. 동시에 상호정보량에 기반하여 링크 예측에 대한 설명을 제시한다. Recently, graph neural networks(GNNs) have shown good performance in many graph mining/machine learning tasks such as node classification, graph classification, and link prediction. Many graph embedding techniques attempt to represent the similarity of nodes in local subgraphs as the distance in vector space. Deep learning for real-world graph-structured data poses great challenges for the interpretation of the result, as the entangled information is induced by complex interactions of neighborhood nodes together with many latent factors. To overcome this difficulty, we propose a mutual information-based method to have a good performance on link prediction as well as to produce an interpretable subgraph for the link. Mutual information is used to find a subgraph that plays an important role in maximizing the similarity of two nodes and to give an explanation statistically. Our method effectively predicts the link by utilizing subgraphs based on the importance of the nodes and the edges for link prediction. At the same time, it gives a compact explanation for link prediction by mutual information.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
