要約
グラフニューラルネットワーク（GNN）は、ノード分類、リンク予測、グラフ分類などのタスクにおいて、グラフ構造データを効果的にモデル化する手段として高い性能を示している。近年、モデルがノードに含まれる情報をダウンサンプリングおよび要約することで、グラフレベルの表現を生成する「プーリング」の定式化に関する研究が進展している。しかし、既存のプーリング手法は、グラフの部分構造を十分に捉えられないか、大規模なグラフに対して容易にスケーラブルでないという課題を抱えている。本研究では、これらの課題を克服するため、スパースかつ微分可能なプーリング手法であるASAP（Adaptive Structure Aware Pooling）を提案する。ASAPは、新しい自己注意（self-attention）ネットワークと修正されたGNN定式化を組み合わせることで、与えられたグラフにおける各ノードの重要性を捉える。さらに、各層でノードに対してスパースなソフトクラスタ割り当てを学習し、部分グラフを効果的にプーリングしてプール済みグラフを構築する。複数のデータセットにおける広範な実験および理論的解析を通じて、ASAPに採用した各構成要素の選定根拠を裏付けた。実験結果から、既存のGNNアーキテクチャとASAPを組み合わせることで、複数のグラフ分類ベンチマークにおいて最先端の性能が達成された。現在のスパース階層的最先端手法と比較して、ASAPは平均して4%の性能向上を実現した。