Abstract
半教師ありノード分類はグラフ機械学習における基盤的な課題であるが、最先端のグラフニューラルネットワーク（GNN）は大きな計算オーバーヘッドと強い同質性（homophily）仮定への依存によって制約を受けている。従来のGNNは高コストな反復的学習と多層のメッセージパッシングを必要とする一方、ラベル伝播（Label Propagation）のような既存の学習不要（training-free）手法は、異質性（heterophily）のあるグラフ構造に対する適応力を欠いている。本論文は、
\textbf{F^2LP-AP}（Fast and Flexible Label Propagation with Adaptive Propagation Kernel）を提案する。これは学習不要でありながら計算効率に優れ、局所的なグラフトポロジに適応する枠組みである。提案手法は幾何学的中央値（geometric median）によって頑健なクラス・プロトタイプを構築し、さらに局所クラスタリング係数（Local Clustering Coefficient; LCC）に基づいて伝播パラメータを動的に調整することで、勾配に基づく学習なしで同質的グラフと異質的グラフの双方を効果的にモデル化できるようにする。多様なベンチマークデータセットにわたる大規模な実験の結果、
\textbf{F^2LP-AP}は学習済みGNNと比較して競争力のある、またはそれを上回る精度を達成しつつ、計算効率の面では既存のベースラインを大幅に上回ることを示す。
