グラフニューラルネットワークの限界を打破する：局所ミキシングパターンを用いてグラフのアソーティビティを改善する

グラフニューラルネットワーク（GNN）は、ネットワーク構造とノード特徴を融合することにより、複数のグラフベースの学習タスクで大きな成功を収めています。現代のGNNモデルは、メッセージ伝播による近傍ノード/近接特徴の反復的な集約に基づいて構築されています。その予測性能は、グラフ内の同質混合（assortative mixing）によって強く制限されることが示されています。これは、類似した属性を持つノードが互いに混ざり合う重要な特性です。我々は、実世界のネットワークが多様な混合パターンを示すことを観察し、従来の全局的な同質性指標（例えば全局同質性係数）がこの混合を量化する代表的な統計量ではない可能性があると考えています。そこで、より多様なパターンを表現し、GNNの学習可能性を正確に量化するために、ノードレベルでの同質性という一般化された概念を採用します。我々は、幅広いGNNモデルの予測性能がノードレベルでの同質性と高い相関関係にあることを発見しました。この制限を超えるために、本研究では入力グラフを計算グラフに変換することに焦点を当てます。この計算グラフには近接情報と構造情報を異なる種類のエッジとして含めます。結果的に得られる多重関係グラフは同質性が向上し、より重要なことに元のグラフから豊富な情報を保ちます。次に、この計算グラフ上でGNNを実行することを提案し、構造と近接情報の間で適応的に選択することで多様な混合下での性能向上につながることを示します。経験的にも、我々の変換フレームワークを半教師ありノード分類タスクに適用することで、さまざまな実世界のグラフ学習ベンチマークにおいてその利点が確認できました。