DeepGCNs：GCNをCNNと同程度に深くする

畳み込みニューラルネットワーク（CNN）は、物体分類や検出、意味的セグメンテーション、行動理解など、多様なコンピュータビジョンタスクにおいて優れた成果を上げており、その成功の鍵となる要因の一つは、非常に深いネットワークを学習可能である点にある。多くのタスクにおいて大きな成果を収めている一方で、CNNは現実世界の多くの応用に見られる非ユークリッドデータに対しては十分な性能を発揮できない。これに対し、グラフ畳み込みネットワーク（GCN）は、非ユークリッドデータをニューラルネットワークに入力可能とする代替的なアプローチを提供している。現在のGCNは、すでに期待される成果を上げており、しかし訓練過程における勾配消失の問題により、比較的層数の少ないアーキテクチャに限定されている。本研究では、CNNから得られたリジッド接続（residual connections）や密集接続（dense connections）、拡張畳み込み（dilated convolutions）といった概念をGCNに適用することで、非常に深いGCNの学習を成功裏に実現した。実験的に、最大112層に達する深いGCNの有効性を、さまざまなデータセットおよびタスクにおいて検証した。特に、点群における部位セグメンテーションおよび意味的セグメンテーション、および生物学的タンパク質間相互作用（PPI）グラフにおけるノード分類（タンパク質機能分類）において、非常に有望な性能を達成した。本研究の知見が、今後のGCNに関する研究および本論文では検討されていない新たなタスクへの応用を促進すると確信している。本研究のソースコードは、PyTorch実装用に https://github.com/lightaime/deep_gcns_torch、TensorFlow実装用に https://github.com/lightaime/deep_gcns にて公開されている。