要約
グラフニューラルネットワーク（GNN）は、データポイント間の疎で離散的な依存関係構造を組み込むことができるという大きな利点を持つ機械学習モデルの一種であり、その人気は高いです。しかし、GNNはこのようなグラフ構造が利用可能である場合にのみ使用できます。実際には、現実世界のグラフはしばしばノイズが含まれており、不完全であったり、あるいは全く利用できないことがあります。本研究では、グラフ構造とグラフ畳み込みネットワーク（GCN）のパラメータを同時に学習することを提案します。これは、グラフのエッジ上で離散的な確率分布を学習する二重最適化問題を近似的に解くことで達成されます。これにより、与えられたグラフが不完全または破損しているだけでなく、グラフが全く利用できないような状況でもGCNを適用することが可能になります。一連の実験を通じて、提案手法の挙動を分析し、関連手法に対して著しいマージンで優れていることを示しています。