異種分布伝播を用いた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、近傍からの情報を集約して表現学習を行うことで、様々なグラフマイニングタスクにおいて著しい成功を収めています。この成功は、近接するノードが類似した挙動を示すという同質性の仮定に依存していますが、多くの実世界のグラフではこの仮定が成立しないことがあります。最近、異質性のある近傍に対応するためにニューラルメッセージ伝播スキーマを修正した異質性グラフニューラルネットワーク（HeterGNN）が注目を集めています。しかし、これらは近傍の十分な分割と異質性モデリングに課題を抱えており、両方とも重要な課題でありながら突破するのが困難です。これらの課題に対処するため、本論文ではグラフニューラルネットワーク用の異質性分布伝播（HDP）を提案します。HDPは、訓練中に疑似割り当てに基づいて近傍を同質性部分と異質性部分に適応的に分離します。異質性のある近傍分布は、信頼できるプロトタイプ対照学習パラダイムを通じて直交制約を用いて学習されます。同質性と異質性のパターンは、新しい意味認識型メッセージ伝播メカニズムによって伝播されます。私たちは異なるレベルの同質性を持つ9つのベンチマークデータセットで広範な実験を行いました。実験結果は、私たちの方法が異質性のあるデータセットにおいて代表的な基準モデルを上回ることを示しています。