要約
グラフエコー状態ネットワーク（GESN）は、既にグラフ分類タスクにおいて有効性と効率性を示している。しかし、半教師ありノード分類において、エンドツーエンドで訓練された深層モデルでは過剰なスムージング（over-smoothing）の問題が顕在化し、高ホモフィリー（homophily）のグラフに偏る傾向が生じる。本研究では、初めてGESNを異なるホモフィリー度を持つノード分類タスクに適用し、リザーバー半径の影響についても分析した。実験の結果、アーキテクチャのバイアスを手動で調整した完全に訓練された深層モデルと比較して、リザーバーモデルは同等または優れた精度を達成しつつ、計算効率の面で顕著な向上を示した。