| 講演抄録/キーワード |
| 講演名 |
2025-03-19 11:30
グラフトランスフォーマーにおける強い宝くじの発見 ○伊藤宏朗・嚴 佳樂・大塚光莉・川村一志・本村真人・ティエム ヴァン チュ・藤木大地(科学大) IBISML2024-66 |
| 抄録 |
(和) |
グラフニューラルネットワーク(GNN)は,推薦システムや化合物解析などのグラフ構造データを使った幅広い応用分野において非常に有用であると考えられている.
近年,その理論的発展や実用的な応用が急速に進んでいる.
しかし,GNNの計算効率と性能の向上は依然として重要な課題であり,特に計算資源が限られた環境での適用にはさまざまな制約が伴う.
このような環境では,モデルのメモリ使用量を削減しつつ高い性能を維持するために,ニューラルネットワークの枝刈りが一般的なアプローチとして用いられる.
中でも注目されているのが,強い宝くじ仮説(SLTH)である.
SLTHは,ランダムに初期化されたニューラルネットワーク内に,重みの学習を行わなくても競争力のある精度を達成できるサブネットワーク,いわゆる強い宝くじ(SLT)が存在することを提唱している.
しかし,表現力が高いGNNモデルであるグラフトランスフォーマー(GT)においては,SLTの存在やその特性についての包括的な研究はまだ十分に行われていない.
そこで本研究では,GTモデル内のSLTを探索し,モデルのメモリ使用量と精度のトレードオフを改善し,ロバスト性を向上させる新しいアプローチを提案する.
この成果は,ノード分類やグラフ分類などの幅広い実験を通じて実証される.
提案手法は,通常通り学習されたGNNと比較して最大で90%以上のメモリ削減を達成しつつ,精度を同等もしくはそれ以上に向上させることが可能である.
また,ロバスト性に関しても,提案モデルはノード特徴量への摂動に対して頑健であり,高い汎化性能を示す. |
| (英) |
|
| キーワード |
(和) |
グラフニューラルネットワーク / 軽量化 / 枝刈り / / / / / |
| (英) |
/ / / / / / / |
| 文献情報 |
信学技報, vol. 124, no. 446, IBISML2024-66, pp. 63-70, 2025年3月. |
| 資料番号 |
IBISML2024-66 |
| 発行日 |
2025-03-11 (IBISML) |
| ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
| PDFダウンロード |
IBISML2024-66 |