異種結合グラフにおけるクラス内情報抽出の強化：ワンニューラルアーキテクチャサーチアプローチ

近年、グラフニューラルネットワーク（GNN）は、グラフ表現学習において広く用いられており、その前提としてノード間の同質性（homophily）仮説、すなわち接続されたノードは同一のラベルを持つか、類似した特徴を持つという仮定が採用されている。しかし、同質性が低～中程度の異質的グラフ（heterophilous graphs）に対しては、GNNの一般化能力が低下する傾向がある。従来のアプローチは、主にクラス内情報の抽出を強化することでこの問題に対処しており、具体的にはより効果的なGNNの設計によりモデル性能を向上させる、あるいはグラフ構造を再設計して遠方のノードからのクラス内ノードをより多く含めるようにしている。これらの手法は一定の成功を収めているが、以下の2点においてさらなる改善の余地があると我々は観察した：(a) ノード自身の特徴情報（エゴ特徴）をより効果的に抽出すること。これはクラス内情報を抽出する上でより信頼性が高く、特に異質性の高い領域において有効である；(b) 各ノードの同質性比に応じて適応可能なノード単位のGNNを設計すること。本論文では、上記の2点を実現するため、新しい手法IIE-GNN（Intra-class Information Enhanced Graph Neural Networks）を提案する。既存の研究を統合した包括的なフレームワークを構築し、ノード自身および隣接ノードからのクラス内情報を、7つの精心されたモジュールに基づいて抽出可能とする。さらに、ニューラルアーキテクチャ探索（NAS）を活用し、このフレームワークに基づく新しい探索空間を設計し、各ノードに適したGNNアーキテクチャを自動的に設計するためのアーキテクチャ予測モデルを提案する。実験により、ノード単位のGNN設計によりクラス内情報抽出を強化することで、IIE-GNNがモデル性能を顕著に向上させることを示した。