要約
ラベル伝播（Label Propagation, LPA）とグラフ畳み込みニューラルネットワーク（Graph Convolutional Neural Networks, GCN）は、いずれもグラフ上で動作するメッセージパッシングアルゴリズムであり、ノード分類というタスクを解決する点で共通している。しかし、LPAはグラフのエッジを介してノードのラベル情報を伝播するのに対し、GCNはノードの特徴情報を伝播および変換するという点で異なっている。このように概念的には類似しているものの、LPAとGCNの間にはまだ理論的な関係性に関する調査が行われていなかった。本研究では、LPAとGCNの関係性を以下の2つの観点から検討する：（1）特徴量／ラベルのスムージング——あるノードの特徴量／ラベルがその隣接ノードにどのように拡散されるかを分析すること；（2）特徴量／ラベルの影響力——あるノードの初期特徴量／ラベルが、他のノードの最終的な特徴量／ラベルにどれほど影響を与えるかを評価すること。本研究の理論的分析に基づき、GCNとLPAを統合するエンド・ツー・エンドのモデルを提案する。本統合モデルでは、エッジの重みを学習可能とし、LPAを正則化項として用いることで、GCNが適切なエッジ重みを学習し、分類性能を向上させることを支援する。また、本モデルはノードラベルに基づいてアテンション重みを学習していると捉えることもでき、従来の特徴量に基づくアテンションモデルよりもタスク指向性が高くなる。実世界のグラフデータを用いた多数の実験において、本モデルは最先端のGCNベース手法と比較して、ノード分類精度において優れた性能を示した。