要約
畳み込みニューラルネットワーク（CNN）は、グラフ類似度マッチングに応用され、その場合、グラフCNNと呼ばれます。グラフCNNは、その効果性と効率性によりますます注目を集めています。しかし、既存の畳み込み手法は規則的なデータ形式にのみ焦点を当てており、グラフやその主要なノード近傍を同じ固定形式に変換する必要があります。この変換プロセスにおいて、グラフの構造情報が失われたり、冗長な情報が含まれたりすることがあります。この問題を克服するために、混合ガウシアンモデルに基づく非順序グラフ畳み込みニューラルネットワーク（DGCNN）を提案します。DGCNNは、非順序グラフ畳み込み層（DGCL）と呼ばれる前処理層を追加することでCNNを拡張します。DGCLでは、混合ガウシアン関数を使用して畳み込みカーネルとグラフの近傍ノード間のマッピングを実現します。DGCLの出力がCNNの入力となります。さらに、畳み込み層の逆伝播最適化プロセスを実装し、不規則なノード近傍構造の特徴学習モデルをネットワークに組み込むことで、畳み込みカーネルの最適化がニューラルネットワークの学習過程の一環となります。DGCNNは任意のスケールと非順序の近傍グラフ構造を受け入れることができ、これはグラフ変換中の情報損失を軽減します。最後に、複数の標準的なグラフデータセットに対して実験を行いました。結果は提案手法がグラフ分類および検索において最先端の手法よりも優れていることを示しています。