核心概念
本論文では、グラフディフュージョンを異なる特徴空間で一般化し、インセプションモジュールを使用して複雑なネットワーク構造による大量の計算を回避するGIDNモデルを提案する。
要約
本論文では、グラフインセプションディフュージョンネットワーク(GIDN)モデルを提案している。このモデルは、異なる特徴空間でのグラフディフュージョンを一般化し、インセプションモジュールを使用することで複雑なネットワーク構造による大量の計算を回避している。
具体的には以下の通り:
グラフディフュージョンは、各予測対象のグラフにおける近接情報を表すマトリックスを使用する手法である。従来の手法では膨大な演算が必要だったが、GIDNでは小さなホップ数のノードと学習可能な一般化された重み係数を組み合わせることで、複雑性と実行時間を抑えつつ多層の一般化されたグラフディフュージョンを実現している。
ネットワークの深さを増やすと計算が複雑になるが、インセプションモジュールを使うことで豊富な特徴を捉えつつ過度の深さを回避し、大量のサンプルでの学習に適応できるようになっている。
データ拡張手法としてランダムウォークを用いており、ノードやエッジの操作によりグラフ構造を拡張している。
評価実験では、ogbl-collaborデータセットでAGDNよりも11%高い性能を達成している。
統計
本論文では、ogbl-collaborデータセットを用いた評価実験の結果が報告されている。
AGDN: 0.4480 ± 0.0542 (Hits@50)
PLNLP: 0.7059 ± 0.0029 (Hits@50)
GIDN: 0.7096 ± 0.0055 (Hits@50)