Core Concepts
グラフ神経ネットワークの表現力を高めるため、ノードの相対エントロピーと深層強化学習を活用して、元のグラフトポロジーを最適化する。
Abstract
本研究は、グラフ神経ネットワーク(GNN)の表現力を高めるため、ノードの相対エントロピーと深層強化学習を活用したGraphRARE(Reinforcement leArning enhanced Graph Neural Network with Relative Entropy)フレームワークを提案している。
まず、ノードの特徴エントロピーと構造エントロピーから成るノード相対エントロピーを定義し、ノード間の類似性を測る指標として使用する。次に、深層強化学習を用いて、各ノードに適した数のトップkの新しい近傍ノードを選択し、トップdの近傍ノードを削除することで、元のグラフトポロジーを最適化する。これにより、遠隔ノードの有用な情報を取り入れつつ、ノイズを排除することができる。
提案手法は7つの実世界データセットで評価され、ノード分類タスクにおいて既存手法を上回る性能を示した。特に、同質性の低いグラフデータセットでの性能向上が顕著であった。また、同質性の高いグラフデータセットでも、提案手法は既存手法と同等以上の性能を発揮した。
Stats
ノードの相対エントロピーは、ノードの特徴とグラフ構造の両方を考慮して計算される。
ノードの相対エントロピーが大きいほど、ノード間の類似性が高いことを示す。
Quotes
"グラフ神経ネットワーク(GNN)は、グラフベースの分析タスクにおいて優位性を示してきた。しかし、ほとんどの既存手法は同質性の仮定に基づいており、異質性の高いグラフでは性能が低下する。"
"本研究では、ノードの相対エントロピーと深層強化学習を活用することで、GNNの表現力を強化し、異質性の高いグラフにおいても優れた性能を発揮する。"