| Project/Area Number |
17J03623
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Research Field |
Statistical science
|
|---|
| Research Institution | Kyoto University |
|---|
| Research Fellow |
奥野 彰文 京都大学, 情報学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2017-04-26 – 2019-03-31
|
| Project Status |
Completed (Fiscal Year 2018)
|
| Budget Amount *help |
¥1,900,000 (Direct Cost: ¥1,900,000)
Fiscal Year 2018: ¥900,000 (Direct Cost: ¥900,000)
Fiscal Year 2017: ¥1,000,000 (Direct Cost: ¥1,000,000)
|
|---|
| Keywords | グラフ埋め込み / ニューラルネットワーク / 表現定理 / 異種データ |
|---|
| Outline of Annual Research Achievements |
グラフ埋め込みでは主にベクトル値ニューラルネット(Neural Network, NN)の内積(Inner Product Similarity, IPS)が利用されている．本研究ではまず，特徴量の次元が十分に高ければIPSだけで非常に広いクラスの類似度を表現できることを証明した．NN自体の表現定理はよく知られているが，NNにより得られた特徴量ベクトルの内積が高い表現力を持つことはこれまで理論的に示されておらず，近年急速に発展している，NNを基にしたグラフ埋め込み一般の研究にも応用できる．さらに，IPSを拡張したShifted IPS (SIPS)を提案し，SIPSはIPSより高い表現力を持つことを示した．本成果をまとめた論文はICML Theoretical Foundation and Application of Deep Generative Models (TADGM)ワークショップに採択され，さらに近似誤差などを理論的に評価した論文が機械学習分野でのトップ国際会議の一つであるAISTATS2019に採択されている．SIPSを更に拡張したWeighted Inner Product Similarity (WIPS)についてまとめた論文を現在国際会議に投稿中である．
グラフ埋め込みでは，グラフの各ノードに関連付けられたデータベクトルと，ノード間のリンクの重みを利用して各ノードの特徴ベクトルを計算する．その際，計算される特徴ベクトルはリンクの重みに含まれるノイズに影響を受けやすい．そこで，統計学分野で度々用いられている，ロバストなβ-divergenceを利用することで，ノイズにロバストなグラフ埋め込みを提案し，そのロバスト性を理論的に示した．本成果は機械学習のトップ国際会議の一つであるAISTATS 2019に採択されている．
|
| Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
Report
(2 results)
Research Products
(14 results)
