強化されたネイバー選択を支援するマルチリレーショングラフニューラルネットワーク

グラフニューラルネットワーク（GNN）は、多様な構造化グラフデータにおける表現学習に広く用いられてきた。しかし、既存の多数のGNNはグラフ内のエッジが示す複雑さと多様性を過度に単純化しており、一般的に多関係型グラフ表現として現れる異質グラフに対処する上で効率的でないという課題を抱えている。本論文では、ニューラルネットワーク構造の複雑さを効果的に扱いながら、関係依存の表現を維持するため、新たな強化型・再帰型・柔軟な近傍選択を導入した多関係型グラフニューラルネットワーク「RioGNN」を提案する。まず、実用的なタスクに応じて多関係型グラフを構築し、ノード、エッジ、属性、ラベルの異質性を反映する。異なるノードタイプ間での埋め込みの過剰な同化を回避するため、ノード属性に基づいて最も類似した近傍を特定するため、ラベル認識型ニューラル類似度測度を採用する。その後、ターゲットノードの関係ごとに最も類似した近傍を選択する強化型関係認識近傍選択機構を設計し、異なる関係から得られるすべての近傍情報を統合することで最終的なノード埋め込みを生成する。特に、近傍選択の効率性を向上させるために、異なるスケールの多関係型グラフに対応可能な、深さと幅が推定可能な新しい再帰的かつスケーラブルな強化学習フレームワークを提案する。RioGNNは、フィルタリング閾値機構により各関係の個別的重要性を認識することで、より識別性の高いノード埋め込みを学習可能であり、解釈可能性も向上する。実世界のグラフデータおよび実用タスクにおける包括的な実験により、他の比較対象となるGNNモデルと比較して、効果性、効率性、およびモデルの解釈可能性の点で優れた性能を示した。