UniG-Encoder：グラフおよびハイパーグラフノード分類のためのユニバーサル特徴エンコーダ

グラフおよびハイパーグラフ表現学習は、さまざまな研究分野からますます注目を集めている。グラフニューラルネットワーク（GNNs）、ハイパーグラフニューラルネットワーク（HGNNs）およびその工夫された変種は、一般的に用いられるベンチマークグラフおよびハイパーグラフにおいて、優れた性能と豊富な応用実績を示しているが、中には単純なマルチレイヤーパーセプトロン（MLP）にさえ及ばない場合がある。この現象は、現在のGNNおよびHGNNの設計パラダイムを再検討する必要性を示唆し、グラフ特徴を効果的に抽出するという課題を提起している。本研究では、グラフおよびハイパーグラフ表現学習の両方に適用可能な汎用的な特徴エンコーダー「UniG-Encoder」を提案する。このアーキテクチャは、正規化された射影行列を用いて、連結ノード間のトポロジー関係をエッジまたはハイパーエッジ特徴に前向き変換することから始める。得られたエッジ／ハイパーエッジ特徴と元のノード特徴を組み合わせ、ニューラルネットワークに投入する。その後、ネットワーク出力に対して、射影行列の転置による逆変換を施すことで、エンコードされたノード埋め込みを導出する。この埋め込みは、ノード分類などのタスクに活用可能である。提案手法は、従来のスペクトルベースおよび／またはメッセージパッシングアプローチとは異なり、効率的かつ統一的な枠組みで、ノード特徴とグラフ／ハイパーグラフのトポロジーを同時にかつ包括的に活用する。これにより、同質性（homophilic）および異質性（heterophilic）の両方のグラフをカバーできる。設計された射影行列は、グラフ特徴を符号化する点で直感的かつ解釈可能性が高い特徴を持つ。広範な実験により、12の代表的なハイパーグラフデータセットおよび6つの実世界グラフデータセットにおいて、提案フレームワークが最先端手法を上回る優れた性能を示した。実装コードは、https://github.com/MinhZou/UniG-Encoder にて公開されている。