Important Nodes Extraction and Groups Recommendation Based on Function and Contribution in Hypergraph

当該研究課題の対象であるハイパーグラフは，共著関係などの複数人のコラボレーションを効果的に表現したデータ構造であり，近年ハイパーグラフを対象とした研究は増加傾向にある．当該年度は，ハイパーグラフに対する効率的かつ効果的な表現学習（埋め込みベクトルの獲得）に主眼を置き研究を遂行してきた．その成果として，国内の研究会にて「リンク予測タスクに基づくハイパーグラフ埋め込み手法の比較」というタイトルで発表を行った．この論文では，機械学習の分野で多く取り上げられるリンク予測タスクで損失関数として用いられるバイナリクロスエントロピーに着目し，この損失関数を最小化する観点からハイパーグラフの埋め込みベクトルを学習する手法を確立した．評価実験では，グラフ距離と埋め込み後のユークリッド距離を可能な限り近づけるSpringForce法，ラプラシアン固有写像法と提案手法の特徴を比較し，提案手法の有効性を確認した．加えて，国際会議に併設するワークショップにて「Visualization and Extraction of Important Structural Changes via Dynamic Hypergraph Embedding」というタイトルで発表を行った．この論文では，時々刻々と構造が変化する動的ハイパーグラフの構造変化を視覚的に捉えやすくする埋め込み手法を提案した．具体的には，ハイパーノードとハイパーエッジを隣接度に基づいて単位超球に埋め込む手法によりノードの位置を算出し，構造変化前後の埋め込みベクトルの角度からノードへの影響度を算出する．複数の人工データを使用した実験的評価に基づいて，提案手法の有効性を示した．このように，ハイパーグラフの表現学習における基本的な技術を確立した．

当該研究課題の対象であるハイパーグラフは，共著関係などの複数人のコラボレーションを効果的に表現したデータ構造であり，近年ハイパーグラフを対象とした研究は増加傾向にある．当該年度は，ハイパーグラフに対する効率的かつ効果的な表現学習（埋め込みベクトルの獲得）に主眼を置き研究を遂行してきた．その成果として，国内の研究会にて「リンク予測タスクに基づくハイパーグラフ埋め込み手法の比較」というタイトルで発表を行った．この論文では，機械学習の分野で多く取り上げられるリンク予測タスクで損失関数として用いられるバイナリクロスエントロピーに着目し，この損失関数を最小化する観点からハイパーグラフの埋め込みベクトルを学習する手法を確立した．評価実験では，グラフ距離と埋め込み後のユークリッド距離を可能な限り近づけるSpringForce法，ラプラシアン固有写像法と提案手法の特徴を比較し，提案手法の有効性を確認した．加えて，国際会議に併設するワークショップにて「Visualization and Extraction of Important Structural Changes via Dynamic Hypergraph Embedding」というタイトルで発表を行った．この論文では，時々刻々と構造が変化する動的ハイパーグラフの構造変化を視覚的に捉えやすくする埋め込み手法を提案した．具体的には，ハイパーノードとハイパーエッジを隣接度に基づいて単位超球に埋め込む手法によりノードの位置を算出し，構造変化前後の埋め込みベクトルの角度からノードへの影響度を算出する．複数の人工データを使用した実験的評価に基づいて，提案手法の有効性を示した．このように，ハイパーグラフの表現学習における基本的な技術を確立した．