異質グラフ上での潜在的同質構造の精緻化による頑健なGraph Convolution Networksの実現

グラフ畳み込みネットワーク（GCN）は、空間データから知識を抽出するためのさまざまなグラフタスクにおいて広く利用されている。本研究は、ノード分類タスクにおいて広く存在する異質性グラフ（heterophilic graphs）におけるGCNのロバスト性を定量的に検討する初の試みである。我々は、主な脆弱性が構造的な分布外（out-of-distribution, OOD）問題に起因していることを明らかにした。この発見を受けて、異質性グラフ上で潜在的な同質性構造（Latent Homophilic Structures）を自動的に学習することでGCNの耐性を高める新たな手法を提案する。このアプローチを「LHS」と呼ぶ。具体的には、まず多ノード間相互作用に基づく新規な自己表現（self-expressive）手法を用いて潜在構造を学習する。次に、ペアワイズ制約付きの二視点対比学習（dual-view contrastive learning）アプローチにより、その構造を精緻化する。このプロセスを反復的に実行することで、異質性グラフ上でもGCNモデルが同質性に基づく情報集約を可能にする。このような適応性の高い構造を備えることで、異質性グラフにおける構造的OOD脅威を適切に緩和できる。多数のベンチマークデータセットにおける実験結果から、提案するLHS手法がロバストなGCNの構築に有効であることが確認された。