要約
グラフは関係データをモデル化するための基本的な抽象化手段です。しかし、グラフは離散的かつ組合せ的な性質を持つため、機械学習タスクに適した表現を学習することは統計的および計算上の課題を伴います。本研究では、大規模なグラフにおいてノード間の表現を教師なしで学習する深層潜在変数生成モデルのアルゴリズムフレームワークであるGraphite（グラファイト）を提案します。当該モデルは、グラフニューラルネットワークを使用して変分オートエンコーダ（VAE）をパラメータ化し、低ランク近似に着想を得た新しい反復的なグラフ改良戦略を用いてデコーディングを行います。多種多様な合成データセットやベンチマークデータセットにおいて、Graphiteは密度推定、リンク予測、ノード分類などのタスクで競合手法を上回る性能を示しています。最後に、グラフニューラルネットワークにおけるメッセージ伝播と平均場変分推論との理論的な関連性について導出しています。