変分グラフ再帰ニューラルネットワーク

グラフ構造データ上の表現学習は、主に静的なグラフ設定で研究されてきましたが、動的グラフのモデリングに対する取り組みはまだ少ないです。本論文では、新たな階層変分モデルを開発し、グラフレカレントニューラルネットワーク（GRNN）の隠れ状態を共同でモデリングするための追加の潜在確率変数を導入しました。これにより、動的グラフにおけるトポロジーとノード属性の変化を捕捉することができます。我々は、この変分GRNN（VGRNN）において高レベルの潜在確率変数を使用することで、動的グラフで観察される潜在的な変動性やノードの潜在表現の不確定性をよりよく捉えることができると主張します。新規VGRNNアーキテクチャ（SI-VGRNN）のために開発された半暗黙的な変分推論により、柔軟な非ガウス分布の潜在表現がさらに動的グラフ解析タスクに貢献することを示しています。複数の実世界の動的グラフデータセットを用いた実験結果から、SI-VGRNNおよびVGRNNが既存の基準手法や最先端手法に対して動的リンク予測において有意に優れた性能を示していることが確認されました。