GNNにおける過スカッシング／過平滑化を緩和するためのグラフ・リワイヤリング：サーベイ

arXiv cs.LG / 2026/5/5

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

グラフニューラルネットワーク（GNN）は、遠距離ノードの情報が過度に圧縮される「過スカッシング」や、ノード表現が同一化してしまう「過平滑化」といった課題により効果が制限されることがあります。
このサーベイでは、GNNにおける情報伝播を改善するためにグラフ構造を変更する「グラフ・リワイヤリング」手法に焦点を当てます。
最先端のリワイヤリング手法を、理論的な背景と実装上の工夫の両面から包括的に整理しています。
どの手法も、情報伝達のどの側面をどれだけ改善するかと引き換えに、コストや制約などの性能トレードオフが生じうる点を強調しています。
全体として、グラフ・リワイヤリングはGNNの情報伝播における主要なボトルネックを緩和する実用的な戦略として位置づけられています。

要旨: グラフニューラルネットワーク（Graph Neural Networks, GNN）は、グラフ構造化データから学習するための強力なモデルですが、その有効性はしばしば2つの重要な課題によって制限されます。すなわち、遠方のノードからの情報が過度に圧縮される「オーバースクワッシング（over-squashing）」と、反復的な伝播によってノード表現が識別不能になる「オーバースムージング（over-smoothing）」です。これら2つの現象は、メッセージパッシングと入力トポロジーの相互作用に起因し、その結果として情報の流れが劣化し、GNNの性能が制限されます。本調査では、グラフのリワイヤリング（graph rewiring）技術、すなわちGNNにおける情報伝播を強化するためにグラフのトポロジーを変更することを目的とした手法群を検討します。最先端のリワイヤリング手法に関する包括的なレビューを提供し、それらの理論的基盤、実装上の工夫、そして性能上のトレードオフを掘り下げます。