2020 Fiscal Year Annual Research Report
グラフデータの機械学習における特徴表現設計の体系化
| Project/Area Number |
17H01783
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
瀧川 一学 国立研究開発法人理化学研究所, 革新知能統合研究センター, 研究員 (10374597)
|
|---|
| Project Period (FY) |
2017-04-01 – 2021-03-31
|
| Keywords | 機械学習 / グラフデータ |
|---|
| Outline of Annual Research Achievements |
最終年度となる本年度は、本課題の中心となるグラフに対する機械学習の特徴表現を考える上で、重要性を増しているグラフニューラルネットワーク(GNN)による表現学習に関する研究を主として行った。本課題の開始時・応募時である2016-2017年から比べると近年はニューラルネットワークに基づくグラフの表現学習は機械学習分野においても最も研究されている研究トピックの一つとなっており、その適用範囲も非常に広くなっている。また、2017年に発表されたTransformerが自然言語処理分野に起こした革新は応募時に想定がなかったものであり、このTransformerはGNNの特殊例とも書け、また現代的なGNNはグラフトポロジーで制約したTransformer的な注意構造を伴う構造とも理解できることからTransformer型のGNNの研究が現れ、本年度はこうした初期研究の分析とともに多角的な予備研究を行い、後続課題への発展が見込めるアイデアをいくつか得ることができた。また、化学(特に量子化学・物理化学)分野での共同研究でも実用性や必要なデータ数や内容(質)の理解と精査とともに、実問題を通してDMPNN(ChemProp)を始め分子の表現学習の精度評価や手法分析も行った。DMPNNはシンプルな構造ながら有効辺の特徴ベクトルに関して近傍集約・特徴更新を行うため広く使われるDGLやPytorch Geometricの型に載らないため、効率的な実装の分析も含めて分析を行った。また、分子のグラフの表現学習の入門講演を日本化学会の化学フェスタで担当したり、いくつかの招待講演や授業、実装の細かいハンズオンチュートリアルなどを行ったり、関連して発表活動も行うことができた。また、興味深い課題としてGNNによる分子生成を利用した分子描画時にユーザ編集に応じた自動補完を行う手法の研究を行い研究発表を行った。
|
| Research Progress Status |
令和2年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和2年度が最終年度であるため、記入しない。
|
-
[Journal Article] Minor-embedding heuristics for large-scale annealing processors with sparse hardware graphs of up to 102,400 nodes2021
Author(s)
Sugie Y, Yoshida Y, Mertig N, Takemoto T, Teramoto H, Nakamura A, Takigawa I, Minato S, Yamaoka M, Komatsuzaki T
-
Journal Title
Soft Computing
Volume: 25(3)
Pages: 1731-1749
DOI
Peer Reviewed
-
-
-
-
-
-
-
-
-
