SLAPS：自己教師あり学習がグラフニューラルネットワークの構造学習を改善する

グラフニューラルネットワーク（GNN）は、グラフ構造が事前に提供されている場合に優れた性能を発揮する。しかし、実世界の応用においては、その構造が常に入手可能であるとは限らない。この問題に対する一つの解決策として、タスク固有の潜在的構造を推定し、その推定されたグラフにGNNを適用する手法が挙げられる。しかしながら、可能なグラフ構造の空間はノード数の増加に伴い超指数的に増大するため、構造とGNNパラメータの両方を学習するためのタスク固有の教師信号は不十分となる可能性がある。本研究では、自己教師学習（self-supervision）を用いてグラフ構造の推定に向けたより豊かな監視信号を提供する、隣接行列とGNNパラメータの同時学習手法「SLAPS（Simultaneous Learning of Adjacency and GNN Parameters with Self-supervision）」を提案する。包括的な実験により、SLAPSが数十万ノード規模の大きなグラフにもスケーラブルであり、既存のタスク固有のグラフ構造を学習するための複数のモデルと比較して、既存ベンチマーク上での性能で優れていることが実証された。