TypeBandit：ヘテロジニアスグラフニューラルネットワークにおける有効な属性補完のための型レベル文脈割当と再重み付け

要旨: 異種グラフは多対多（多関係）システムをモデル化するために広く用いられているが、ノード属性の欠損は下流の学習における主要なボトルネックのままである。本論文では、型（タイプ）に依存した情報の非対称性を特定し、形式化する。これは、異なるノード型が属性補完に有用な信号を実質的に異なる水準で提供するという現象である。この観察に動機づけられ、異種属性補完のための軽量でモデルに依存しない手法である TypeBandit を提案する。TypeBandit は、トポロジーを考慮した初期化、型レベルのバンディット抽出（サンプリング）、および共同表現学習を組み合わせる。TypeBandit は、ノード型間に有限のグローバルなサンプリング予算を配分し、各型内で代表的なノードをサンプルし、得られたサンプル済みの型要約を表現構築の際の共有コンテキスト信号として用いる。各ターゲットノードのローカル近傍ごとではなく型レベルで動作することで、TypeBandit は適応的な状態をコンパクトに保ち、大規模な異種グラフに対して実用的である。
TypeBandit の重要な利点は、アーキテクチャの柔軟性である。新たな異種グラフニューラルネットワークのアーキテクチャを要求するのではなく、TypeBandit は R-GCN、HetGNN、HGT、SimpleHGN を含む、代表的な異種 GNN バックボーンに対する型を意識したフロントエンドとして機能する。さらに、構造的な次数の事前知識と特徴の伝播を組み合わせたハイブリッド事前学習スキームを導入し、次数のみの事前学習よりも信頼性の高い初期化を実現する。DBLP、IMDB、ACM に対する固定分割プロトコルのもとで、TypeBandit はデータセット依存ではあるものの、実務上意味のある改善を提供する。追加のアブレーション、安定性、効率、セマンティック伝播、およびサンプル済み OGBN-MAG の実験は、型固有の情報が不均等に分布し、サンプリング資源が限られている状況において、異種属性補完に対する実用的な戦略として TypeBandit を裏付けている。