要約
多くの重要なグラフデータ処理アプリケーションにおいて、取得された情報にはノードの特徴とグラフのトポロジーに関する観測が含まれています。グラフニューラルネットワーク（GNNs）はこれらの両方の情報を活用するように設計されていますが、それらの有用性を最適にトレードオフし、普遍的な方法で統合することはできません。ここで、普遍性とは同質性または異質性のグラフ仮定に依存しないことを指します。本稿では、これらの問題に対処するために、ノード特徴とトポロジー情報の抽出を共同で最適化する新しい一般化ページランク（Generalized PageRank: GPR）GNNアーキテクチャを導入します。このアーキテクチャは、ノードラベルがどの程度同質的か異質的かに関わらず、GPR重みを適応的に学習することで最適化を行います。学習したGPR重みは初期化方法に依存せずに自動的にノードラベルパターンに調整され、通常取り扱いが難しいラベルパターンでも優れた学習性能を保証します。さらに、浅いネットワークである必要なく特徴量の過度な平滑化を避けることができます。過度な平滑化は特徴量情報を非識別的なものにするプロセスです。本研究では、GPR-GNN手法の理論解析を支援するために、コンテキスト付き確率ブロックモデルによって生成された新たな合成ベンチマークデータセットを使用しています。また、我々のGNNアーキテクチャの性能を既存の最先端GNNsと比較するために、よく知られた同質的および異質的なベンチマークデータセットを使用してノード分類問題での性能評価を行いました。結果は、合成データおよびベンチマークデータ双方において既存技術よりも大幅な性能向上を示しており、GPR-GNNが有効であることを実証しています。