時間変化する相互作用グラフのODEによる動的グラフ表現学習

要旨: グラフニューラル常微分方程式（ODE）は、ニューラルODEとグラフニューラルネットワーク（GNN）のメッセージパッシング機構を組み合わせ、グラフ表現学習のための連続時間のモデリング手法を提供します。しかし、動的グラフの状況では、既存のグラフニューラルODEは通常、統一されたメッセージパッシング機構を用いており、任意の時刻におけるノード間相互作用は同じメッセージパッシング関数で表されると仮定します。そのため、ノード間相互作用パターンの多様性や時間変化する性質を捉えることが困難になります。これに対処するために、時間変化する相互作用グラフ常微分方程式（Time-varying Interaction Graph Ordinary Differential Equations: TI-ODE）を提案します。TI-ODEの中核となる考え方は、グラフODEの進化関数を、学習可能な一連の相互作用基底関数に分解することであり、各基底関数は異なるタイプのノード間相互作用に対応します。これらの基底関数は、時間に依存する学習可能な重みを通じて動的に組み合わされるため、ノード間相互作用パターンが時間とともに適応的に変化できるようになります。6つの動的グラフデータセットに関する実験結果により、TI-ODEは一貫して既存手法を上回り、属性予測タスクにおいて最先端（state-of-the-art）の性能を達成することが示されました。さらに、\textit{Covid}データセットでの実験により、TI-ODEの解釈可能性と汎化性がより一層検証されます。加えて、TI-ODEが統一されたメッセージパッシング機構を用いるモデルよりも優れた頑健性を示すことを、理論的にも実験的にも明らかにします。