要約
グラフ分類は、さまざまな分野に実用的な応用を持つ重要な問題である。この問題を解決するため、通常は異なるクラスのグラフを区別するのに役立つグラフ統計量（すなわち、グラフ特徴量）を計算する。このような特徴量を計算する際、従来の大多数の手法はグラフ全体を処理する。たとえば、グラフレット（graphlet）に基づくアプローチでは、異なるグラフレットまたは部分グラフの総数を取得するために、グラフ全体を処理する。しかし、多くの現実世界の応用において、グラフはノイズを含んでおり、識別的なパターンはグラフ内の特定の領域に限定されることが多い。本研究では、注目（attention）を用いたグラフ分類の問題に着目する。注目機構を活用することで、ノイズが多いグラフの大部分を無視し、情報量の多い小さな部分に焦点を当てることが可能となる。本研究では、適応的に「情報量の多い」ノードのシーケンスを選択して、グラフの一部のみを処理する新しいRNNモデル、すなわちグラフ注目モデル（Graph Attention Model, GAM）を提案する。複数の実世界データセットにおける実験結果から、本手法はグラフ分類において、既存の代表的な手法と比較しても競争力を持つことが示された。なお、本手法はグラフの一部のみを処理するという制約があるにもかかわらず、その性能は優れている。