要約
現代のグラフニューラルネットワーク（GNN）は、多層の局所集約を通じてノード埋め込みを学習し、同質性グラフ上の応用で大きな成功を収めています。しかし、異質性グラフ上のタスクは通常、非局所集約を必要とします。さらに、我々は局所集約が某些異質性グラフに対して甚至是有害であることを発見しました。本研究では、効率的なアテンションガイダンスによるソートを備えた単純かつ効果的な非局所集約フレームワークを提案します。このフレームワークに基づいて、様々な非局所GNNを開発しました。我々は徹底的な実験を行い、異質性グラフデータセットを分析し、提案した非局所GNNの評価を行いました。実験結果は、7つのベンチマークデータセットにおいて、モデル性能および効率性の両面で既存の最先端手法を大幅に上回ることを示しています。注：「同質性グラフ」（assortative graphs）と「異質性グラフ」（disassortative graphs）は一般的な日本語訳を使用しています。「アテンションガイダンスによるソート」（attention-guided sorting）は比較的特殊な表現であり、括弧内に原文を記載しました。