近傍トランスフォーマー：単系統性（モノフィリー）を意識したグラフ学習のための切り替え可能な注意機構

要旨: グラフニューラルネットワーク（GNN）は、ソーシャルネットワーク分析、化学研究、コンピュータビジョンなどの工学応用に広く採用されている。しかし、その有効性は、同質性（homophily）という前提に内在する問題によって深刻に損なわれる。これは、異なるノード同士が頻繁に接続される非同質性（heterophilic）のグラフでは成立しない。グラフ学習におけるこの根本的な制約に対処するため、まず我々は、実世界のグラフに最近見いだされた単一同質性（monophily）という性質に着想を得て、近傍トランスフォーマ（Neighbourhood Transformers; NT）を提案する。NTは、従来のメッセージパッシングGNNのようにメッセージを中心ノードへ集約するのではなく、各ローカル近傍の中で自己注意（self-attention）を適用するという新しいパラダイムである。この設計により、NTは本質的に単一同質性を認識しており、その表現力が従来のメッセージパッシング枠組みに劣らないことを理論的に保証する。実際の工学的な導入のためにさらに、切り替え可能な注意機構を備えた近傍分割戦略を開発し、NTの空間消費を95%以上、時間消費を最大92.67%削減することで、大規模グラフへの適用可能性を大幅に拡張する。10個の実世界データセット（非同質性グラフ5つと同質性グラフ5つ）に対する大規模実験の結果、NTはノード分類タスクにおいて、既存のあらゆる最先端手法を上回ることが示された。さらに、その優れた性能とドメインをまたいだ適応性が実証されている。本研究の完全な実装コードは、再現性と産業導入を促進するために、https://github.com/cf020031308/MoNT で公開されている。