要約
グラフニューラルネットワーク（GNN）は、ソーシャルネットワーク解析から分子の化学的性質のモデル化に至るまで、多岐にわたる応用において広く用いられる手法として注目されている。GNNは公に公開されたデータセットにおいて優れた性能を発揮することが多い一方で、過度なスムージング（over-smoothing）および過度な圧縮（over-squashing）の傾向により、データ内の長距離依存関係を学習することが困難な場合がある。この課題を軽減するために、本研究ではPCA（主成分分析）とメッセージパッシングを組み合わせた無教師学習によるノード埋め込み生成手法PCAPassを提案する。さらに、分類タスクには勾配ブースティング決定木（Gradient Boosted Decision Trees）を活用する。実証的に、本手法は代表的なGNNと比較してノード分類ベンチマークにおいて競争力のある性能を示すとともに、より長い距離の近傍情報を効果的に収集できることを示した。本研究は、メッセージパッシングとスキップ接続を用いた次元削減を適用することで、グラフ構造データにおける長距離依存関係の集約に有望なメカニズムが得られることを示している。