| Project/Area Number |
22KJ1703
|
|---|
| Project/Area Number (Other) |
21J22490 (2021-2022)
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund (2023)
Single-year Grants (2021-2022) |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
佐藤 竜馬 京都大学, 情報学研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2023-03-08 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,200,000 (Direct Cost: ¥2,200,000)
Fiscal Year 2023: ¥700,000 (Direct Cost: ¥700,000)
Fiscal Year 2022: ¥700,000 (Direct Cost: ¥700,000)
Fiscal Year 2021: ¥800,000 (Direct Cost: ¥800,000)
|
|---|
| Keywords | グラフニューラルネットワーク / 機械学習 |
|---|
| Outline of Research at the Start |
グラフデータは様々な構造を記述することができる。例えば、ソーシャルネットワークは人のつながりを記述し、知識グラフは概念のつながりを記述し、化合物グラフは原子の繋がりを記述できる。近年のグラフニューラルネットワークの急速な発展に伴い、これらの構造化されたデータに対する予測の性能が大いに向上した。しかし、グラフニューラルネットワークはヒューリスティックに利用されることが多く、原理の深い解明には至っていない。本研究課題では、グラフニューラルネットワークの原理を理論的に明らかにし、性能の向上および計算の高速化をめざす。
|
| Outline of Annual Research Achievements |
本年度は既存のグラフニューラルネットワークの常識を打ち破る新たな理論を打ち立てることに成功した研究 "Graph Neural Networks can Recover the Hidden Features Solely from the Graph Structure" が国際会議 International Conference on Machine Learning (ICML) に採択され、現地で発表を行った。グラフニューラルネットワークはノード特徴量を受け取り、これをグラフ上で滑らかにすることで性能が得られると考えられてきた。ノード特徴量が利用できない場合のグラフニューラルネットワークの性能は理論的に解明されてこなかった。本研究では、ノード特徴量が利用できない場合であっても、グラフニューラルネットワークはグラフ構造を表すノード特徴量を自力で生み出し、これを元に予測を行なうことができることを示した。グラフニューラルネットワークの理論解析という本研究課題に直接繋がる大きな成果といえる。こちらの研究内容についてはギリシャのグラフニューラルネットワークの研究チームからも依頼を受けて講演を行った。また、グラフニューラルネットワークについての教科書『グラフニューラルネットワーク (機械学習プロフェッショナルシリーズ)』 https://www.amazon.co.jp/dp/4065347823 を執筆した。こちらの教科書はグラフニューラルネットワークはどのような場面で役に立つのかなどといった基本的なことから、本課題と直接関係のあるグラフニューラルネットワークの理論解析と高速化についても個別に章を設けて詳細に解説してある。
|
