グラフ上のジャンピング・ナレッジ・ネットワークを用いた表現学習

最近のグラフ上の表現学習に対する深層学習アプローチは、近傍集約手順に従っています。本研究では、これらのモデルの重要な特性を分析し、それらを克服するための戦略を提案します。特に、ノードの表現が取り込む「近傍」ノードの範囲は、グラフ構造に強く依存しており、ランダムウォークの拡散と類似しています。ローカルな近傍特性やタスクに適応するために、我々はジャンピング・ナレッジ（Jumping Knowledge: JK）ネットワークというアーキテクチャを探求しました。このアーキテクチャは、各ノードに対して異なる近傍範囲を柔軟に活用することで、より構造に敏感な表現を可能にします。ソーシャルネットワーク、バイオインフォマティクスネットワーク、引用ネットワークにおける複数の実験で、我々のモデルが最先端の性能を達成していることを示しています。さらに、JKフレームワークをグラフ畳み込みネットワーク（Graph Convolutional Networks: GCN）、GraphSAGE、グラフ注意メカニズム（Graph Attention Networks: GAT）などのモデルと組み合わせることで、一貫してこれらのモデルの性能が向上することを確認しています。