要約
グラフ構造データ、例えばソーシャルネットワーク、機能的脳ネットワーク、遺伝子規制ネットワーク、通信ネットワークなどは、深層学習技術をグラフドメインに一般化することへの関心を高めています。本論文では、変動する長さを持つグラフに対するニューラルネットワークの設計に焦点を当て、頂点分類、グラフ分類、グラフ回帰、およびグラフ生成タスクなどの学習問題を解決することを目指しています。既存の多くの研究は意味のあるグラフ表現を学習するために再帰型ニューラルネットワーク（RNN）に注目してきましたが、最近では新たな畳み込みニューラルネットワーク（ConvNets）が導入されています。本研究では、これらの2つの基本的なアーキテクチャファミリーがグラフ学習タスクを解く際の性能を厳密に比較することを目的としています。既存のグラフRNNとConvNetのアーキテクチャについてレビューを行い、任意のサイズを持つグラフに対してLSTMとConvNetの自然な拡張を提案します。その後、部分グラフマッチングとグラフクラスタリングという2つの基本的なグラフ問題に関する解析的に制御された実験セットを設計し、異なるアーキテクチャの性能を検証します。数値結果は提案したグラフConvNetsがグラフRNNよりも3-17%高い精度で1.5-4倍速いことを示しています。また、グラフConvNetsは変分（非学習）手法よりも36%高い精度であることが確認されました。最後に最も効果的なグラフConvNetアーキテクチャはゲート付きエッジと残差性を使用しており、残差性は多層アーキテクチャの学習において重要な役割を果たし、性能が10%向上することが示されています。