混乱したノードを分離学習によって明確化する

グラフニューラルネットワーク（GNN）は、グラフ指向タスクにおいて顕著な進展を遂げてきた。しかし、現実世界のグラフには必ず一定の割合で異質性を持つノード（heterophilous nodes）が存在し、従来のGNNが仮定する同質性（homophily）の前提に反するため、性能の向上が阻害される問題が生じている。既存の多くは、異質性ノードと同質性ノードの間で重みを共有する汎用モデルの設計に留まっている。高次メッセージ伝達やマルチチャネルアーキテクチャを導入した試みも存在するが、それらはしばしば限界に達している。少数の研究では、異なるノード群を別々に学習しようとする試みがなされているが、適切でない分離指標の使用や計算効率の低さという課題を抱えている。本論文では、まずノードのより信頼性の高い分離を可能にする新しい指標「近傍混乱度（Neighborhood Confusion: NC）」を提案する。我々は、NC値が異なるノード群において、グループ内精度や可視化された埋め込み表現に明確な差が見られることを観察した。これにより、NC値に基づいてノードをグループ化し、グループ内での重み共有およびメッセージ伝達を実施する「近傍混乱度誘導型グラフ畳み込みネットワーク（Neighborhood Confusion-guided Graph Convolutional Network: NCGCN）」の構築が可能となった。同手法は、同質性と異質性の両方を含むベンチマークデータセット上で広範な実験により検証され、最新の手法と比較して、ノードの効果的な分離と顕著な性能向上を実現した。実装コードは、https://github.com/GISec-Team/NCGNN にて公開予定である。