GraphGAN: 生成対抗ネットワークを用いたグラフ表現学習

グラフ表現学習の目的は、グラフ内の各頂点を低次元ベクトル空間に埋め込むことです。既存のグラフ表現学習手法は、以下の2つのカテゴリーに分類できます：グラフの潜在的な接続分布を学習する生成モデルと、頂点対間のエッジ存在確率を予測する識別モデルです。本論文では、これらの2つのクラスの手法を統合した革新的なグラフ表現学習フレームワークであるGraphGAN（グラフ・ジェネレーティブ・アドバーシャリ・ネットワーク）を提案します。具体的には、与えられた頂点に対して、生成モデルは他のすべての頂点に対するその真の潜在的な接続分布に適合し、「偽」サンプルを生成して識別モデルを欺こうとします。一方、識別モデルはサンプリングされた頂点が真実か生成モデルによって生成されたものかを検出しようとします。これらの2つのモデル間の競争により、両者は交互に反復的に性能向上が期待できます。さらに、生成モデルの実装においては、従来のソフトマックス関数の制約を克服するために新しいグラフソフトマックス（graph softmax）を提案します。この新しい関数は正規化、グラフ構造認識性、計算効率性という望ましい特性を持つことが証明されています。実世界データセットでの広範な実験を通じて、GraphGANがリンク予測、ノード分類、推薦など様々な応用で最先端基準を超える大幅な改善を達成していることを示しています。