グラフニューラルネットワークにおける異質性の再検討

グラフニューラルネットワーク（GNN）は、関係的帰納バイアス（同質性仮定）に基づくグラフ構造を使用することで、基本的なニューラルネットワーク（NN）を拡張しています。GNNが現実のタスクでNNを上回ると一般的に信じられてきましたが、最近の研究では、その性能がNNと比較して満足のいくものでないデータセットの非自明な集合が特定されています。異質性がこの経験的観察の主な原因と考えられており、多くの研究がこれを解決するために提案されています。本論文では、まず広く使用されている同質性指標を見直し、それらがグラフラベルの一貫性のみを考慮しているという欠点を指摘します。次に、ポスト集約ノード類似性の観点から異質性を検討し、既存のものよりも潜在的に有利な新しい同質性指標を定義します。この調査に基づいて、一部の有害な異質性ケースは局所多様化操作によって効果的に対処できることが証明されます。さらに、我々は適応チャネルミキシング（ACM）というフレームワークを提案します。これは、局所的な情報をより豊かに抽出するために、ノードごとに集約チャネル、多様化チャネルおよびアイデンティティチャネルを適応的に活用するものです。ACMは異質的なグラフ上のノード分類タスクにおいて一般的に使用される単一チャネルフレームワークよりも強力であり、基準となるGNN層での実装も容易です。10つのベンチマークノード分類タスクで評価した結果、ACMを組み込んだ基準モデルは一貫して大幅な性能向上を達成し、ほとんどのタスクで最先端のGNNを超える性能を示しました。また、計算負荷も大幅には増加しませんでした。