構造学習を用いた階層的グラフプーリング

グラフニューラルネットワーク（GNN）は、グラフ構造データに対して深層ニューラルネットワークを拡張した手法であり、多くのグラフ関連タスクにおいて最先端の性能を達成し、注目を集めている。しかし、既存のGNNモデルは主にグラフ畳み込み演算の設計に注力している一方で、階層的表現学習において重要な役割を果たすグラフプーリング（またはダウンサンプリング）演算は通常無視されがちである。本論文では、様々なグラフニューラルネットワークアーキテクチャに統合可能な新しいグラフプーリング演算子、すなわち構造学習を組み込んだ階層的グラフプーリング（HGP-SL）を提案する。HGP-SLは、グラフプーリングと構造学習を統合されたモジュールとして設計し、グラフの階層的表現を生成することを可能にする。具体的には、グラフプーリング演算は、次の層に渡すための誘導部分グラフを構成するノードの適応的サブセットを選択する。また、グラフのトポロジカル構造の整合性を保持するために、各層におけるプーリング後のグラフに対して、改良されたグラフ構造を学習する構造学習メカニズムを導入する。HGP-SL演算子をグラフニューラルネットワークと組み合わせることで、グラフ分類タスクを対象としたグラフレベルの表現学習を実現する。6つの広く用いられるベンチマークデータセットにおける実験結果から、本研究で提案するモデルの有効性が示された。