要約
最近、グラフ上の表現学習のためのさまざまなグラフニューラルネットワーク（GNN）フレームワークが開発されてきました。これらのフレームワークは、ノードの表現を学習するために集約と反復スキームに依存しています。しかし、学習プロセス中にノード間の情報が必ずしも失われることがあります。この損失を減らすために、相互情報の手法を用いて集約と反復スキームを探索することでGNNフレームワークを拡張しました。私たちは、GNNの集約において通常の近傍を拡大する新しいアプローチを提案します。これは、相互情報を最大化することを目指しています。複数のベンチマークデータセットで実施した一連の実験に基づき、提案されたアプローチが監督学習および半教師付き学習におけるグラフ分類、グラフリンク予測、グラフエッジ生成および分類という4種類のグラフトスクにおける最先端の性能を向上させることを示しています。