グラフトポロジ情報を強化したヘテロジニアス・グラフ表現学習

要旨: 現実世界の異種グラフは本質的にノイズを含み、下流タスクに対してしばしば最適なグラフ構造とはなっていないため、下流タスクにおけるGRLモデルの性能をしばしば悪化させます。グラフ構造学習（GSL）手法は、グラフ構造と下流タスクを同時に学習するために提案されてきましたが、既存手法は主として同種（ホモジニアス）グラフ向けに設計されており、異種（ヘテロジニアス）グラフに対するGSLはほとんど未開拓のままです。この文脈では、2つの課題が生じます。第一に、入力グラフ構造の品質は、同種グラフの場合と比べて、GNNベースの異種GRLモデルに対してより深刻な影響を与えます。第二に、既存の多くの同種GRLモデルは、異種グラフにそのまま適用するとメモリ消費の問題に遭遇します。本論文では、新しいグラフトポロジー学習強化型異種グラフ表現学習フレームワーク（ToGRL）を提案します。ToGRLは、タスクに関連する潜在トポロジー情報を取り込むことで、下流タスク向けの高品質なグラフ構造と表現を学習します。具体的には、まず新しいGSLモジュールを提案し、入力の生のグラフ構造から下流タスクに関連するトポロジー情報を抽出して、それをトポロジー埋め込みへ射影します。これらの埋め込みは、なめらかなグラフ信号を持つ新しいグラフの構築に利用されます。GSLのこの2段階アプローチにより、隣接行列の最適化とノード表現学習を分離し、メモリ消費を削減します。続いて、表現学習モジュールが新しいグラフを入力として下流タスク向けの埋め込みを学習します。ToGRLはまた、学習された表現に埋め込まれた知識をより適切に活用するためにプロンプトチューニングも活用し、それにより下流タスクへの適応性を高めます。5つの現実世界データセットに関する大規模な実験の結果、提案するToGRLは最先端手法を大きく上回ることを示します。