GraphRARE：相対エントロピーを用いた強化学習強化型グラフニューラルネットワーク

グラフニューラルネットワーク（GNN）は、グラフベースの解析タスクにおいて優れた性能を示している。しかし、既存の大多数の手法は同質性仮定（homogeneity assumption）に基づいており、リンクされたノードが特徴やクラスラベルが異なる異質性グラフ（heterophilic graphs）においては性能が著しく低下する。特に、意味的に関連するノードが複数のホップ（multi-hop）離れているような状況ではその課題が顕著となる。この制約を克服するため、本研究ではノード相対エントロピーと深層強化学習を基盤とする汎用的なフレームワーク「GraphRARE」を提案する。GraphRAREは、ノード特徴と構造的類似性を統合した新しいノード相対エントロピーを用いて、ノードペア間の相互情報量を測定する。さらに、遠方ノードからの有用な情報とノイズの混合がもたらす部分最適解の問題を回避するため、深層強化学習に基づくグラフトポロジー最適化アルゴリズムを設計した。このアルゴリズムは、定義されたノード相対エントロピーを基準に、情報量の多いノードを選択し、ノイズの多いノードを排除する。7つの実世界データセットを用いた広範な実験の結果、GraphRAREはノード分類において優れた性能を発揮し、元のグラフトポロジーの最適化能力も有していることが実証された。