本論文では、グラフニューラルネットワーク(GNN)における情報の冗長性に着目し、これを解決するための新しい手法を提案している。
まず、ノードの近傍を表す木構造(ノード近傍木)を定義し、この木構造を用いた集約手法を開発した。ノード近傍木では、同一ノードが複数回現れる部分を削除することで、冗長な情報の伝達を抑制する。
次に、複数のノード近傍木を1つのDAG(有向非巡回グラフ)に統合する手法を提案した。これにより、計算の冗長性も削減できる。
提案手法であるDAG-MLPは、ノード近傍木の正準化手法に基づいて設計されており、従来のGNNと同等の表現力を持ちつつ、冗長性を削減できることを示した。
また、ノード近傍木とWL展開木の表現力は互いに比較できないことを理論的に示した。つまり、ノード近傍木はWL展開木では区別できないノードを区別でき、逆もまた true である。
最後に、合成データセットおよび実世界データセットでの評価実験を行い、提案手法の有効性を確認した。特に、同質性の低いグラフ分類タスクでの性能が優れていることが分かった。
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Franka Bause... klo arxiv.org 03-29-2024
https://arxiv.org/pdf/2310.04190.pdfSyvällisempiä Kysymyksiä