Geometric Evolution Graph Convolutional Networks: リッチフローによるグラフ表現学習の強化

arXiv cs.LG / 2026/3/30

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、グラフの幾何が時間とともにどのように変化していくかを明示的にモデル化することで、グラフ表現学習を改善するGeometric Evolution Graph Convolutional Network（GEGCN）を提案する。
GEGCNは、離散リッチフローを適用して得られる構造の系列を捉えるためにLSTMを用い、その学習した動的表現をグラフ畳み込みネットワークに組み込む。
複数のベンチマークデータセットでの実験により、GEGCNがグラフ分類において最先端の結果を達成し、異なるグラフ設定に対して強い汎化性能を示すことが確認される。
本フレームワークは、隣接ノードが異なるラベルを持ちやすい異種的（heterophilic）グラフにおいて特に良好に機能し、挑戦的な関係構造に対して有効であることを示唆する。

要旨: 本稿では、グラフ上の幾何学的な進化をモデル化することでグラフ表現学習を強化する、新しい枠組みであるGeometric Evolution Graph Convolutional Network（GEGCN）を提案します。具体的には、GEGCNは離散リッチフローによって生成される構造的な系列をモデル化するためにLong Short-Term Memoryを用い、その学習された動的表現をGraph Convolutional Networkに組み込みます。大規模な実験により、GEGCNはさまざまなベンチマークデータセットにおける分類タスクで最先端の性能を達成することが示され、特に異種的（heterophilic）グラフにおいて性能が際立って優れていることが明らかになりました。