要約
畳み込みニューラルネットワーク（CNN）は画像などのグリッド状データで大きな成功を収めていますが、グラフのようなより一般的なデータから学習する際には大きな課題に直面しています。CNNでは、学習可能な局所フィルタにより高次特徴の自動抽出が可能となります。フィルタによる計算には、受容野内の単位数が固定され且つ順序付けられていることが必要です。しかし、一般的なグラフにおいては隣接する単位数が固定されておらず、またそれらが順序付けられていないため、畳み込み演算の適用が妨げられています。本稿では、これらの課題に対処するために学習可能なグラフ畳み込み層（LGCL: Learnable Graph Convolutional Layer）を提案します。LGCLは値ランキングに基づいて各特徴に対して固定数の隣接ノードを選択し、グラフデータを1次元形式のグリッド状構造に変換することで、一般的なグラフ上で通常の畳み込み演算を使用可能とします。大規模グラフでのモデル訓練を可能にするために、我々は過剰なメモリや計算資源の要件に悩まされていた従来のグラフ畳み込み手法に対するサブグラフ訓練方法を提案します。我々の実験結果は、Cora, Citeseer, Pubmed引用ネットワークおよびプロテイン-プロテイン相互作用ネットワークデータセットにおけるノード分類タスクにおいて、推論的学習と帰納的学習の両設定で一貫して優れた性能を達成できることを示しています。さらに、提案したサブグラフ訓練戦略を使用した方法が従来のアプローチよりも効率的であることを示す結果も得られました。