GCNH: Heterophilous グラフにおける表現学習のシンプルな手法

グラフニューラルネットワーク（GNN）は、同質性グラフ、つまりエッジが同じタイプのノードを接続しがちなグラフでの学習に適しています。しかし、異質性グラフにおいて一貫したGNNの性能を達成することは未解決の研究課題となっています。最近の研究では、予測精度を向上させるために標準的なGNNアーキテクチャの拡張が提案されていますが、モデルの単純さと予測精度とのトレードオフが生じています。これらのモデルは、近傍ラベル分布などの基本的なグラフ特性を捉えることができず、これらは学習にとって根本的な要素です。本研究では、GCN for Heterophily (GCNH)と呼ばれる新しいGNNアーキテクチャを提案します。これは単純でありながら効果的で、異質性および同質性の両方のシナリオに適用可能です。GCNHは、各ノードとその近傍に対して個別の表現を学習し、結合します。各層ごとに1つの学習済み重要係数を使用して、中心ノードと近傍の貢献度をバランスよく調整します。我々は8つの実世界のグラフと異なる程度の異質性を持つ一連の合成グラフで広範な実験を行い、GCNHの設計選択が従来型のGCNよりも大幅な改善につながることを示しました。さらに、GCNHは8つのベンチマーク中の4つで複雑さが著しく高い最先端モデルよりも優れた性能を発揮し、残りのデータセットでも同等の結果を産出しています。最後に、GCNHの低複雑性について議論・分析し、これにより訓練可能なパラメータ数が少なくなり、他の方法よりも高速な訓練時間を実現することを示します。また、GCNHが過平滑化問題を緩和する仕組みについても説明します。