要約
グラフニューラルネットワーク（GNN）は、グラフのトポロジーとノード属性を統合的に活用することで、リンク予測において高い精度を達成する。しかし、トポロジーは間接的に表現される。最先端のサブグラフ分類に基づく手法は、ノードをターゲットリンクからの距離でラベル付けするため、トポロジー情報は存在するものの、プーリング操作によって弱められてしまう。その結果、ネットワーク形成メカニズムに関連するループやモチーフといった特徴を効果的に活用することが困難になる。本研究では、新しいプーリングスキーム「WalkPool」を用いたリンク予測アルゴリズムを提案する。WalkPoolは、トポロジー的なヒューリスティクスの表現力とニューラルネットワークの特徴学習能力を統合する。具体的には、隣接パスのランダムウォーク確率を用いて仮定されるリンクを要約する。元のグラフから遷移確率を直接抽出するのではなく、学習された特徴にアテンションを適用して「予測用」の潜在グラフの遷移行列を計算する。これは、特徴に敏感なトポロジーの「指紋化」として解釈できる。WalkPoolは教師なしノード特徴を活用できるほか、GNNと組み合わせてエンドツーエンドで訓練可能である。提案手法は、ノード属性の有無を問わず、同質性（homophilic）および異質性（heterophilic）の両方の共通リンク予測ベンチマークにおいて、最先端手法を上回る性能を示した。教師なしGNN群にWalkPoolを適用することで予測精度が顕著に向上した点から、本手法は汎用的なグラフプーリングスキームとしての可能性を示唆している。