分解可能なグラフ畳み込みネットワーク

グラフは、エンティティ間の構造的関係を表現する手段として広く採用されている。多くの場合、これらの関係は異種的であるが、それらが混在して単一のエッジとしてノード間を結ぶ形で表現される。例えば、ソーシャルネットワークグラフにおいて、友人や同僚といった異なる潜在的関係にあるユーザーは、しばしば単純なエッジによって接続されるが、その背後にある本質的な関係は隠蔽された状態となる。本論文では、このようなグラフに埋め込まれた複雑に絡み合った関係を明示的に分離する新しいグラフ畳み込みネットワーク（GCN）—すなわち、分解可能なグラフ畳み込みネットワーク（FactorGCN）—を提案する。FactorGCNはシンプルなグラフを入力とし、これを複数の分解されたグラフに分離する。各分解グラフはノード間の潜在的かつ分離された関係を表す。その後、各分解された潜在空間においてノードの特徴を別々に集約することで、分離された特徴を生成し、これにより下流タスクにおける性能が向上する。本研究では、合成データおよび実世界データセットを用いてFactorGCNの有効性を定性的・定量的に評価し、関係の分離および特徴の集約の両面において、実に有望な結果を示した。実装コードはGitHubにて公開されており、https://github.com/ihollywhy/FactorGCN.PyTorch から入手可能である。