マウスから列車まで：グラフデータに対するアモルタイズド・ベイズ推論

要旨: グラフは、生物学や化学から、社会的・情報ネットワーク、さらに交通や物流に至るまで、多様な領域で現れます。グラフ構造化データに対する推論には、置換に不変（permutation-invariant）であること、サイズや疎密度が異なる場合にスケーラブルであること、そして複雑な長距離依存関係を捉えられることが求められます。その結果、グラフパラメータに対する事後推定は特に困難になります。償却ベイズ推論（Amortized Bayesian Inference, ABI）は、生成ニューラルネットワークを用いたシミュレーションベースの枠組みであり、尤度を必要としない（likelihood-free）高速な事後推論を可能にします。本研究では、これらの課題に対処するためにABIをグラフデータへ適応し、ノード、エッジ、およびグラフレベルのパラメータに対する推論を行います。提案手法は、置換に不変なグラフエンコーダと柔軟なニューラル事後推定器を2モジュールのパイプラインで結合します。この枠組みでは、要約ネットワークが属性付きグラフを固定長の表現へ写像し、推論ネットワークがパラメータに関する事後分布を近似します。この設定では、要約ネットワークとして複数のニューラルアーキテクチャを用いることができます。本研究では、複数のアーキテクチャを評価し、制御された合成環境と2つの実世界領域（生物学と物流）における、回復（recovery）と較正（calibration）の観点でその性能を検証します。