GraphMix：半教師付き学習におけるGNNの訓練の向上

本稿では、グラフニューラルネットワーク（GNN）を用いた半教師付きオブジェクト分類のための正則化手法として、GraphMixを提案する。GraphMixは、パラメータ共有と補間に基づく正則化を活用して、完全接続層（fully-connected network）をグラフニューラルネットワークと共同で学習する手法である。さらに、グラフニューラルネットワークの汎化限界（generalization bounds）がどのように改善されるかについて、アグリゲーション層に関する仮定やGNNの深さに関する制約を一切設けず、理論的に分析を提供している。実験的にこの分析を検証するため、グラフ畳み込みネットワーク（GCN）、グラフアテンションネットワーク（GAT）、Graph-U-Netといった多様なアーキテクチャにGraphMixを適用した。その結果、単純な構造であるグラフ畳み込みネットワークを用いても、Cora、Citeseer、Pubmedの3つの既存のグラフベンチマークに加え、新たに提案されたCora-Full、Co-author-CS、Co-author-Physicsの3つのデータセットにおいて、従来の最先端性能を一貫して向上させたり、それに匹敵する結果を得ることができた。このように、構造の単純さにもかかわらず、GraphMixは強力な汎化性能を示すことが実証された。