符号は治療法ではない：異質性グラフ上の学習のためのマルチセットからマルチセットへのメッセージパッシング

グラフニューラルネットワーク（GNN）は、特に同質性のあるグラフ構造データに対して、強力なモデリングおよび推論手法として注目を集めている。一方、隣接ノードのラベルや特徴が異なりやすい非同質的グラフ（heterophilic graphs）においてGNNを活用するため、符号付きメッセージパッシング（Signed Message Passing: SMP）が広く採用されている。しかし、SMPの限界についての理論的・実証的分析は依然として不足している。本研究では、SMPに潜在するいくつかの課題とその解決策を明らかにする。まず、SMPには二つの主な限界があることを特定した：多ステップ（multi-hop）近傍ノードに対する不適切な表現更新、および過度なスムージング（oversmoothing）に対する脆弱性である。これらの課題を克服するため、本研究では新しいメッセージパッシング関数として、マルチセットからマルチセットへのGNN（Multiset to Multiset GNN: M2M-GNN）を提案する。理論的解析および広範な実験により、M2M-GNNがSMPの前述の限界を効果的に軽減し、性能面で優れた結果を達成することが示された。