異種グラフにおけるヘテロフィリーでの頑健学習：グラフ構造学習アプローチ

Abstract

異種親和性（heterophily）を持つ異種グラフは、異なるタイプやラベルを持つノード同士が、多様であり、しばしば同質親和的（homophilous）ではない方法で相互作用するような、複雑な現実世界のシステムをモデル化するための強力な抽象化として注目されてきました。近年の進歩にもかかわらず、このようなグラフに対する堅牢な表現学習は、特にノイズや誤解を招く接続が存在する場合において、ほとんど未開拓のままです。本研究ではこの問題を調査し、構造ノイズがモデル性能を大きく低下させる重要な課題であることを特定します。この課題に対処するため、異種グラフ統一学習（Heterogeneous Graph Unified Learning: HGUL）と呼ぶ統一的な枠組みを提案し、異種親和性とノイズのあるグラフ構造を同時に扱います。この枠組みは、3つの相補的なモジュールから構成されます。すなわち、信頼できる局所近傍を復元するkNNベースのグラフ構築モジュール、ノイズの多いエッジをフィルタリングすることで隣接行列を適応的に洗練するグラフ構造学習モジュール、そして多項式グラフカーネルから導出した拡張アフィニティ行列によりクラスレベルの関係性を捉える異種親和性学習モジュールです。複数のデータセットに対する大規模な実験により、HGULがクリーンなグラフ上で既存手法を一貫して上回り、構造ノイズの度合いが変化しても強い頑健性を維持することが示されます。さらに、異種グラフ学習において異種親和性とノイズを同時にモデル化することの重要性も明確に裏付けられます。