要約
表形式データを扱う場合、決定木に基づくモデルは、高い精度、適用の容易さ、および解釈可能性の特性から、広く用いられている。しかし、グラフ構造データに対しては、頂点に存在する表形式データとグラフのトポロジー情報を効果的に統合する方法が明確でない。この課題に対処するために、本研究ではTREE-Gを提案する。TREE-Gは、グラフデータに特化した新しい分割関数を導入することで、従来の決定木を改良している。この分割関数は、ノード特徴量とトポロジー情報を統合するだけでなく、以前の分割で計算された情報を活用できる新たなポインタ機構を採用している。その結果、分割関数は予測タスクおよび対象となるグラフに適応することができる。本研究ではTREE-Gの理論的性質を分析し、複数のグラフおよび頂点予測ベンチマークにおいてその有効性を実証した。実験の結果、TREE-Gは他の決定木ベースのモデルを常に上回り、場合によってはグラフニューラルネットワーク（GNN）やグラフカーネルといった他のグラフ学習アルゴリズムを大きく上回る性能を示した。さらに、TREE-Gモデルおよびその予測結果は、解釈可能であり、視覚化も可能である。