最適輸送グラフニューラルネットワーク

現在のグラフニューラルネットワーク（GNN）アーキテクチャは、ノード埋め込みを単純に平均または合計してグラフ表現を統合するため、構造的または意味的な情報を損なう可能性がある。本研究では、異なるグラフの側面の重要な特徴を強調するパラメトリックなプロトタイプを用いてグラフ埋め込みを計算するOT-GNNを提案する。この目的のため、パラメトリックなグラフモデルと最適輸送（OT）を効果的に統合した。グラフ表現は、GNNのノード埋め込みの集合と「プロトタイプ」としての点群との間のワーザイスタイン距離から得られ、これらのプロトタイプは自由パラメータとして扱われる。理論的には、従来の合計集約とは異なり、本モデルが点群上の関数クラスが基本的な普遍近似定理を満たすことを証明した。実証的には、モデルがOT幾何構造を真に活用するよう導くために、ノイズ対比正則化項を提案し、内在する最適化の崩壊問題に対処した。最終的に、複数の分子性質予測タスクにおいて、既存の代表的な手法を上回る性能を示したほか、より滑らかなグラフ表現を獲得した。