要約
グラフニューラルネットワーク（GNN）は、グラフ構造データの表現能力を大幅に向上させました。しかし、最近のGNNの成功にもかかわらず、ほとんどのGNNにおけるグラフ畳み込みには2つの制限があります。グラフ畳み込みが入力グラフ上の小さな局所領域で行われるため、遠隔ノード間の長距離依存関係を捉えることが本質的に困難です。さらに、ノードが異なるクラスに属する近傍を持つ場合（すなわち異質性がある場合）、それらからの集約メッセージはしばしば表現学習に悪影響を与えます。これらの一般的なグラフ畳み込みの問題に対処するために、本論文ではデフォーマブルグラフ畳み込みネットワーク（Deformable GCNs）を提案します。このネットワークは複数の潜在空間で適応的に畳み込みを行い、ノード間の短距離および長距離依存関係を捉えます。ノード表現（特徴量）とは別に、当フレームワークはエンドツーエンドでノード位置埋め込み（座標）を同時に学習し、ノード間の関係を決定します。ノード位置に応じて、変形ベクトルによって畳み込みカーネルが変形され、その近傍ノードに対して異なる変換が適用されます。我々の広範な実験結果は、Deformable GCNsが異質性を柔軟に処理できることを示しており、6つの異質性のあるグラフデータセットでのノード分類タスクにおいて最良の性能を達成しています。