ノード分類を行うためのグラフニューラルネットワークにとって、ヘテロフィリーは本当に悪夢か？

グラフニューラルネットワーク（GNN）は、関係性に基づく誘導的バイアス（同質性仮定）を活用することで、基本的なニューラルネットワーク（NN）を拡張している。実世界のタスクにおいてGNNがNNを上回ると広く信じられているが、GNNがグラフ無関係なNNに対して示す性能優位性は、一般には満足のいくものではない。異質性（heterophily）がその主な要因とされ、これに対処するため多数の研究が提案されてきた。本論文では、まず、すべての異質性のケースがGNNのアグリゲーション操作にとって有害であるわけではないことを示す。次に、グラフ構造と入力特徴の両方がGNNに与える影響を考慮した類似度行列に基づく新しい指標を提案する。合成グラフを用いた実験により、従来広く用いられている同質性指標と比較して、本指標が優れた性能を示すことを確認した。これらの指標と観察結果から、有害な異質性の一部は多様化操作（diversification operation）によって克服可能であることが明らかになった。この知見とフィルタバンク（filterbank）の知識を踏まえ、各GNN層においてアグリゲーション、多様化、恒等写像（identity）チャネルを適応的に活用できる「適応的チャネルミキシング（Adaptive Channel Mixing: ACM）」フレームワークを提案する。10の実世界のノード分類タスクを用いた実験により、ACMを導入したベースラインモデルが一貫して顕著な性能向上を達成し、計算負荷の著しい増加を伴わず、多くのタスクで最先端のGNNを上回ることを検証した。