グラフニューラルネットワークにおける異質性との遭遇時の全球的同質性の探索

異質性グラフにおけるグラフニューラルネットワークの研究を行いました。既存の手法では、ノードの近傍をマルチホップ近傍で拡大し、より多くの同質性を持つノードを含めることで性能向上を目指しています。しかし、異なるノードに対して個別の近傍サイズを設定することは大きな課題であり、さらに近傍に含まれない他の同質性を持つノードは情報集約において無視されてしまいます。これらの問題を解決するために、我々はGloGNNおよびGloGNN++という2つのモデルを提案します。これらのモデルは、グラフ内の全ノードから情報を集約することにより、各ノードの埋め込みを生成します。各層において、両モデルはノード間の相関関係を捉える係数行列を学習し、それに基づいて近傍集約が行われます。係数行列は符号付き値を許容し、閉形式解を持つ最適化問題から導出されます。さらに、近傍集約を加速し、線形時間計算量を導出しました。理論的にも両モデルの有効性を説明しており、係数行列と生成されたノード埋め込み行列が望ましいグループ化効果を持つことを証明しています。我々は広範な実験を行い、15のベンチマークデータセット上で11の競合手法と比較しました。これらのデータセットは様々な領域、規模、およびグラフの異質性を持っています。実験結果は、我々の手法が優れた性能を達成するとともに非常に効率的であることを示しています。