パラメータ化された分解とフィルタリングを用いたより良いグラフ表現学習のための取り組み

グラフを表現するための効果的かつ柔軟な行列を提案することは、グラフフーリエ変換におけるフィルタリングなど、複数の視点から検討されてきた基本的な課題である。本研究では、パラメータ付き分解とフィルタリングの観点から、既存の多数のGNNモデルを統一する新しい一般化フレームワークを構築した。このフレームワークは、GNNの柔軟性を向上させるとともに、従来のモデルに見られる滑らかさ（smoothness）の問題やノイズの増幅（amplification）問題を緩和する方法を示している。本研究の本質的な貢献として、学習可能な多項式フィルタを用いた広く研究されているスペクトルグラフ畳み込みは、この枠組みの制約付きな特殊ケースであることを示した。これらの制約を緩和することで、望ましい分解とフィルタリングを同時に表現可能となる。この一般化されたフレームワークに基づき、実装が簡潔でありながら、さまざまなグラフ学習タスクにおいて顕著な性能向上と計算効率の向上を達成するモデルを開発した。コードは https://github.com/qslim/PDF にて公開されている。