La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Link Prediction Using Higher-Order Feature Combinations across Objects Prédiction de liens à l'aide de combinaisons de fonctionnalités d'ordre supérieur entre objets

Kyohei ATARASHI, Satoshi OYAMA, Masahito KURIHARA

  • Vues en texte intégral

    0

  • Citer

Résumé:

La prédiction de lien, le problème informatique consistant à déterminer s'il existe un lien entre deux objets, est importante dans l'apprentissage automatique et l'exploration de données. La prédiction de liens basée sur les caractéristiques, dans laquelle les vecteurs de caractéristiques des deux objets sont donnés, présente un intérêt particulier car elle peut également être utilisée pour divers problèmes liés à l'identification. Bien que la machine de factorisation et la machine de factorisation d'ordre supérieur (HOFM) soient largement utilisées pour la prédiction de liens basée sur les caractéristiques, elles utilisent des combinaisons de caractéristiques non seulement entre les deux objets, mais également à partir du même objet. Les combinaisons de fonctionnalités du même objet ne sont pas pertinentes pour les problèmes majeurs de prédiction de liens, tels que la prédiction d'identité, car leur utilisation augmente le coût de calcul et dégrade la précision. Dans cet article, nous présentons de nouveaux modèles qui utilisent des combinaisons de caractéristiques d'ordre supérieur uniquement entre les deux objets. Puisqu'il n'existait aucun algorithme permettant de calculer efficacement des combinaisons de caractéristiques d'ordre supérieur uniquement sur deux objets, nous en obtenons un en tirant parti des résultats rapportés et nouvellement obtenus lors du calcul du noyau ANOVA. Nous présentons un algorithme de descente de coordonnées efficace pour les modèles proposés. Nous améliorons également l'efficacité de celui existant pour le HOFM. De plus, nous étendons les modèles proposés à un réseau neuronal profond. Les résultats expérimentaux ont démontré l'efficacité de nos modèles proposés.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.8 pp.1833-1842
Date de publication
2020/08/01
Publicisé
2020/05/14
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDP7266
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Kyohei ATARASHI
  Hokkaido University
Satoshi OYAMA
  Hokkaido University,RIKEN AIP
Masahito KURIHARA
  Hokkaido University

Mots-clés

Table des matières