核心概念
進化グラフにおいて、グラフニューラルネットワーク(GNN)の表現力が時間とともに劣化することは避けられない。そのため、人手による注釈なしに、進化グラフ上でのGNNの一般化性能を推定する手法が必要とされている。
要約
本論文では、進化グラフにおけるGNNの一般化性能の推定に関する問題を取り扱っている。
まず、理論的に、GNNの表現力が時間とともに劣化することを示した。具体的には、単層GCNモデルにおいて、表現の歪みが時間とともに必ず増大することを証明した。
次に、この問題に対する解決策として、SMART(Self-supervised teMporAl geneRalization esTimation)を提案した。SMARTは、進化グラフ上でのGNN表現の劣化を最小限に抑えるため、自己教師あり学習によるグラフ再構成を行う。これにより、進化に伴う情報ロスを低減し、一般化性能の推定精度を向上させる。
合成のBarabási–Albert ランダムグラフを用いた実験では、SMARTが理論的な下限を達成することを示した。さらに、4つの実世界の進化グラフデータセットでも、SMARTが既存手法に比べて優れた推定性能を示した。特に、グラフ再構成の重要性が確認され、再構成を行わない場合、OGB-arXivデータセットでMAPEが8.00%から2.19%に悪化した。
以上より、本手法は進化グラフ上でのGNNの一般化性能を効果的に推定できることが示された。今後の課題として、ラベル変化や異種グラフ、時空間グラフなどの複雑な状況への適用が挙げられる。
統計
進化グラフにおいて、GNNの予測精度は時間とともに約2.5から3.5まで低下する。
BarabásiーAlbert ランダムグラフにおいて、GNNの一般化誤差は時間に概ね線形に増加する。
引用
"進化グラフにおいて、GNNの表現力が時間とともに劣化することは避けられない。"
"自己教師あり学習によるグラフ再構成は、進化に伴う情報ロスを低減し、一般化性能の推定精度を向上させる。"