DAGCN: デュアルアテンショングラフ畳み込みネットワーク

グラフ畳み込みネットワーク（GCNs）は、ソーシャルネットワークから自然言語処理、バイオインフォマティクス、ケモインフォマティクスに至るまで、多様な応用分野においてグラファンalyticsタスクの最も強力なツールの一つとなっています。これは、概念間の複雑な関係を捉える能力により実現されています。現在、多くのGCNが近傍集約フレームワークを使用して連続かつコンパクトなベクトルを学習し、その後プーリング操作を行ってグラフ埋め込みを一般化し、分類タスクに対応しています。これらのアプローチには、グラフ分類タスクにおける2つの欠点があります：(1) 最大部分グラフ構造（$k$-hop近傍）のみを使用した近傍集約では、グラフ畳み込みステップで初期段階の情報が大量に失われます；(2) 単純な平均/和プーリングや最大値プーリングが利用されるため、各ノードの特性とノード間のトポロジーが失われます。本論文では、これらの問題を解決するために新たなフレームワークである双方向注意グラフ畳み込みネットワーク（DAGCN）を提案します。DAGCNは新しい注意グラフ畳み込み層を使用して異なるホップ数の近傍の重要性を自動的に学習し、次に自己注意プーリング層という2つ目の注意成分を用いて行列グラフ埋め込みの様々な側面からグラフ表現を一般化します。双方向注意ネットワークはエンドツーエンドで訓練され、グラフ分類タスクのために使用されます。我々は提案モデルを最先端のグラフカーネルや他の深層学習手法と比較しました。実験結果は、我々のフレームワークが他のベースラインを超えるだけでなく、収束速度もより良好であることを示しています。注：「エンドツーエンド」は「end-to-end」の一般的な日本語訳です。「双方向注意ネットワーク」は「dual attention network」に対応する日本語訳ですが、「双方向」という言葉が適切かどうかは文脈によって変わる可能性があります。必要に応じて「二重注意ネットワーク」などとも訳すことができます。