ゲート付きグラフシーケンスニューラルネットワーク

グラフ構造データは、化学、自然言語意味論、ソーシャルネットワーク、知識ベースなどの分野で頻繁に見られます。本研究では、グラフ構造入力に対する特徴学習技術を検討します。出発点はScarselliら（2009）によるグラフニューラルネットワークの先行研究です。この研究を基に、ゲート付きリカレントユニットと現代の最適化手法を使用するように改良し、さらにシーケンス出力を可能にする拡張を行いました。その結果、問題がグラフ構造である場合に、純粋なシーケンスベースモデル（LSTMなど）よりも有利な帰納バイアスを持つ柔軟で汎用的なニューラルネットワークモデルのクラスが得られました。本研究では、簡単なAI（bAbI）およびグラフアルゴリズム学習タスクにおいてその能力を示します。その後、サブグラフを抽象データ構造にマッチングさせる必要があるプログラム検証の問題において最先端の性能を達成していることを示します。