EvolveGCN: 動的グラフに対する進化するグラフ畳み込みネットワーク

グラフ表現学習は、深層学習がユークリッドデータで広く使用されることにより、非ユークリッド領域（特にグラフ）におけるニューラルネットワークのさまざまな創造的な設計を促進し、再び注目を集める研究主題となっています。静的な設定でのこれらのグラフニューラルネットワーク (GNN) の成功を受け、我々はさらに実践的なシナリオに取り組みます。そのシナリオでは、グラフが動的に進化します。既存のアプローチは通常、ノード埋め込みを使用し、再帰型ニューラルネットワーク (RNN) を用いて埋め込みを調整し、時間的動態を学習します。これらの方法は、ノードの完全な時間範囲（訓練およびテストを含む）に関する知識を必要とし、ノード集合が頻繁に変化する場合にあまり適用されません。極端なシナリオでは、異なる時間ステップでのノード集合が完全に異なることがあります。この課題を解決するために、我々はノード埋め込みに依存せずに時間次元に沿ってグラフ畳み込みネットワーク (GCN) モデルを適応させる EvolveGCN を提案します。提案されたアプローチは、RNN を使用して GCN パラメータを進化させることで、グラフ系列の動態性を捉えます。パラメータの進化には2つのアーキテクチャが検討されています。我々はリンク予測、エッジ分類、ノード分類などのタスクにおいて提案手法の評価を行いました。実験結果は、EvolveGCN が関連する手法よりも一般的に高い性能を持つことを示しています。コードは \url{https://github.com/IBM/EvolveGCN} から入手可能です。