半教師ありノード分類におけるハモフィリーとヘテロフィリーの絡み合いの解消

最近、グラフニューラルネットワーク（GNN）は、グラフデータベースからの知識を活用することで、半教師ありノード分類において優れた性能を示している。しかし、既存の大多数のGNNは「同質性仮定（homophily assumption）」に従っており、接続されたノードは特徴分布およびラベルが類似していると仮定している。この仮定は、実用応用の場面においてますます脆弱であることが明らかになってきている。これに対し、「異質性（heterophily）」は接続されたノード間の相違性を反映する概念であり、近年、グラフ学習分野において注目を集めている。このような背景から、データエンジニアは、同質性と異質性の両環境下で高い性能を発揮できる強力なGNNモデルの開発を目指している。しかし、多数の試みにもかかわらず、既存のGNNは無向グラフ（undirected graphs）の制約により、最適なノード表現を達成することが困難である。有向辺（directed edges）の無視は、グラフ表現の最適化を妨げ、GNNの表現能力を制限している。この問題に対処するために、本研究ではAMUD（Adaptively Modeling Undirected or Directed graphs）を提案する。AMUDは、ノードのプロファイルとグラフ構造の関係性を統計的視点から定量化し、自然に存在する有向グラフを、適応的に無向または有向グラフとしてモデル化することで、以降のグラフ学習における利点を最大化するための貴重な知見を提供する。さらに、AMUDを基盤として、新たな有向グラフ学習フレームワークとして「適応的有向パターン集約（Adaptive Directed Pattern Aggregation: ADPA）」を提案する。実証的研究により、AMUDが効率的なグラフ学習を導くことが確認された。また、16のベンチマークデータセットにおける広範な実験結果から、ADPAが従来手法を大きく上回る性能を発揮することが実証され、平均的に3.96ポイントの顕著な性能向上が達成された。