要約
グラフ埋め込み学習は、多様なデータセットを扱う際の基本的なタスクである。エンコーダー–デコーダー構造（例：U-Net）は、画像のピクセル単位予測タスクにおいて優れた成果を上げているが、グラフデータへの同様の適用は、グラフに自然なプーリングやアップサンプリング操作が存在しないため、課題を伴う。近年の手法では、ニューラルネットワーク内での構造情報の抽出に学習可能なパラメータを活用し、ノード特徴量とグラフ構造情報を用いて、グラフに対するプーリングおよびアンプーリングを拡張している。本稿では、グラフ分類タスクを対象として、新たなモデルであるGIUNet（Graph Isomorphism U-Net）を提案する。提案するグラフU-Net構造は、グラフ同型性畳み込み（graph isomorphism convolution）に基づき、包括的なpqPooling層を採用している。本研究におけるpqPooling層は、グラフのダウンサンプリング段階において、ノード特徴量とグラフ構造情報の有効な統合を実現している。グラフ構造情報を組み込むために、スペクトル表現とノード中心性（node centrality）の両方を用いている。ノード中心性はグラフ内のノードの多様な構造的側面を捉え、スペクトル表現はグラフ構造の情報量の多い低周波成分に注目するのに役立つ。アブレーション研究を通じて、複数のベンチマークデータセットにおいて、GIUNetモデルを用いることで、最先端手法と比較して顕著な性能向上が達成されることを実証した。