要約
グラフデータの表現学習に関する問題について考察します。畳み込みニューラルネットワークは画像に対して自然に動作できますが、グラフデータを扱う際には大きな課題があります。画像は2次元格子上にノードが配置されたグラフの特殊なケースであるため、グラフ埋め込みタスクはセグメンテーションなどの画像ピクセル予測タスクと自然に対応しています。エンコーダー-デコーダー構造のU-Netは多くの画像ピクセル予測タスクで成功裏に適用されていますが、類似の手法はグラフデータに対して不足しています。これは、プーリングおよびアップサンプリング操作がグラフデータでは自然ではないためです。これらの課題に対処するため、本研究では新たなグラフプーリング（gPool）およびアンプーリング（gUnpool）操作を提案します。gPool層は、訓練可能な射影ベクトル上のスカラー射影値に基づいていくつかのノードを選択し、より小さなグラフを形成します。さらに、gPool層の逆操作としてgUnpool層を提案します。gUnpool層は、対応するgPool層で選択されたノードの位置情報を利用して、グラフを元の構造に戻します。我々が提案したgPoolおよびgUnpool層に基づいて、グラフ上のエンコーダー-デコーダーモデルを開発しました。このモデルは「グラフU-Net」として知られています。ノード分類およびグラフ分類タスクにおける実験結果は、我々の手法が従来のモデルよりも一貫して優れた性能を達成することを示しています。