要約
グラフニューラルネットワーク（GNNs）は、グラフ構造データの学習に用いられる人気のあるパラメトリックモデルの一種です。最近の研究では、GNNsが主に特徴量の平滑化のためにグラフを使用していると主張され、大規模なグラフに対してスケーリングが難しいエンドツーエンドで学習された特徴量階層ではなく、単純にグラフ平滑化されたノード特徴量を操作することでベンチマークタスクにおいて競争力のある結果を示しています。本研究では、これらの結果が異なるエンティティ間の複数種類の関係を符号化する異種グラフ（ヘテロジニアスグラフ）にも拡張できるかどうかを問いかけます。私たちは、関係サブグラフ上の近傍平均化（Neighbor Averaging over Relation Subgraphs: NARS）を提案します。これは、「メタグラフ」のランダムサンプリングされたサブグラフにおける近傍平均化された特徴量上で分類器を訓練する手法です。また、これらのノード特徴量集合をメモリ効率的に計算するための最適化についても説明します。訓練時および推論時においても同様です。NARSはいくつかのベンチマークデータセットで新たな最先端の精度を達成し、より高コストなGNNベースの手法よりも優れた性能を発揮しました。