研究課題/領域番号 |
22KJ1703
|
補助金の研究課題番号 |
21J22490 (2021-2022)
|
研究種目 |
特別研究員奨励費
|
配分区分 | 基金 (2023) 補助金 (2021-2022) |
応募区分 | 国内 |
審査区分 |
小区分61030:知能情報学関連
|
研究機関 | 京都大学 |
研究代表者 |
佐藤 竜馬 京都大学, 情報学研究科, 特別研究員(DC1)
|
研究期間 (年度) |
2023-03-08 – 2024-03-31
|
研究課題ステータス |
交付 (2023年度)
|
配分額 *注記 |
2,200千円 (直接経費: 2,200千円)
2023年度: 700千円 (直接経費: 700千円)
2022年度: 700千円 (直接経費: 700千円)
2021年度: 800千円 (直接経費: 800千円)
|
キーワード | グラフニューラルネットワーク |
研究開始時の研究の概要 |
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。
|
研究実績の概要 |
本年度の主な研究成果は (1) グラフニューラルネットワークの表現能力に対する理論研究を実施 (2) 最適輸送の教科書の執筆 (3) そのほか、推薦システムや単語埋め込みなどグラフと関連のある機械学習技術について国際学会に採択・発表の三点である。 (1) 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。本研究は国際学会に投稿中である。 (2) 最適輸送の教科書『最適輸送の理論とアルゴリズム(講談社)』を執筆・出版した。最適輸送はグラフプーリング等にも使われグラフニューラルネットワークとも関係の深い分野である。また、木上の最適輸送やネットワークフローなどグラフに直接関係するトピックについても教科書中で解説した。 (3) 推薦システム・検索システム・最適輸送・単語埋め込み・因果推論についての論文が計 7 本国際会議に採択され、1 本ジャーナルに採択された。そのうち Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem という論文では巡回セールスマン問題というグラフ上の問題を用いて一次元単語埋め込みを計算する手法を提案したほか、Towards Principled User-side Recommender Systems では重みなし k-NN グラフの復元理論を用いてユーザーサイド推薦システムの理論的な解析を行った。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
研究実績の第一に挙げた "Graph Neural Networks can Recover the Hidden Features Solely from the Graph Structure" 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。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。
|
今後の研究の推進方策 |
現在投稿中の論文 "Graph Neural Networks can Recover the Hidden Features Solely from the Graph Structure" を国際会議で発表し、研究成果の普及に努めるほか、国内外の研究者とディスカッションを行い、この新たに見つかったグラフニューラルネットワークの特性をさらに推し進める方向性を模索したい。
|