要約
構造的特徴は、幾何学的なグラフにおいて重要な特徴である。共分散に基づく特徴間の相関分析は存在するが、グラフニューラルネットワークを用いた構造的特徴の相関分析に関する研究はほとんどない。本論文では、低次元空間におけるグラフ特徴対特徴（Fea2Fea）予測パイプラインを導入し、グラフニューラルネットワークを基にした構造的特徴の相関について初步的な結果を探る。結果は、一部の構造的特徴間に高い相関があることを示している。グラフニューラルネットワークによってフィルタリングされた初期ノード特徴と組み合わせた冗長でない特徴選択が、いくつかのグラフベースのタスクでの分類精度を向上させていることが確認された。また、各特徴間の埋め込みを接続するための結合方法の違いを比較し、最も単純な方法が最良であることを示した。合成幾何学的グラフに対して一般化し、構造的特徴間の予測難易度に関する結果を検証した。以上が翻訳となります。ご確認ください。