自動関係認識グラフネットワークの拡張

グラフニューラルアーキテクチャサーチ（GNAS）は、グラフニューラルネットワーク（GNN）が多数の関係性タスクにおいて強力な推論能力を示していることから、注目を集めている。しかし、現在のグラフ探索空間は、ノード特徴の学習に過度に注目し、階層的な関係情報の掘り下げを軽視している。さらに、メッセージパッシングにおける多様なメカニズムにより、グラフ探索空間はCNNと比べてはるかに大きくなる。このため、従来の古典的な探索戦略をそのまま適用することが困難である。本研究では、関係性を意識したメッセージパッシング機構を導入し、効率的なGNN探索を実現する「Automatic Relation-aware Graph Network Proliferation（ARGNP）」を提案する。具体的には、まずノード学習と関係性学習の両方を含む新しい二重関係性意識型グラフ探索空間を設計した。この探索空間は、階層的なノード／関係情報の抽出を可能にし、グラフ上のメッセージパッシングに非等方的なガイドを提供する。第二に、細胞の増殖に類似して、ネットワークの分割と分化を反復的に実行することで、段階的にGNNアーキテクチャを決定する「ネットワーク増殖探索フレームワーク」を設計した。4つのグラフ学習タスクに対して6つのデータセットで行った実験の結果、本手法により得られたGNNは、現在の最先端の手作業設計および探索ベースのGNNを上回ることが確認された。実装コードは、https://github.com/phython96/ARGNP にて公開されている。