GraphMDN: グラフ構造と深層学習を活用した逆問題の解決

最近、グラフニューラルネットワーク（GNN）の導入と過去数年間での急速な普及により、深層学習アルゴリズムを非ユークリッド、グラフ構造データに適用することが可能となりました。GNNは、グラフベースの機械学習問題において最先端の成果を多数達成しています。しかし、その開発速度が速いにもかかわらず、GNNに関する多くの研究はグラフ分類や埋め込み技術に焦点を当てており、グラフデータ上の回帰タスクについてはほとんど無視されてきました。本論文では、グラフ混合密度ネットワーク（GraphMDN）を開発します。これは、グラフニューラルネットワークと混合密度ネットワーク（MDN）の出力を組み合わせたものです。これらの手法を組み合わせることで、GraphMDNはニューラルアーキテクチャに自然にグラフ構造情報を組み込むことができるとともに、多峰性回帰目標をモデル化する能力を持っています。したがって、GraphMDNはデータがグラフ構造であり、目標統計量が単一値よりも密度の混合によってより適切に表現される逆問題などの回帰タスクで優れた性能を発揮することを目指しています。これを示すために、既存のGNNアーキテクチャであるセマンティックGCN（Semantic GCN, SemGCN）をGraphMDN構造に拡張し、Human3.6M姿勢推定タスクにおける結果を示します。拡張されたモデルは同等のパラメータ数を持つ条件下で、単独のGCNおよびMDNアーキテクチャよりも一貫して優れた性能を示しました。