レイヤー埋め込みディープ・フュージョン・グラフニューラルネットワーク

Abstract

グラフニューラルネットワーク（GNN）は、グラフ構造化データから表現を学習するうえで、目覚ましい性能を示してきました。しかしながら、そのメッセージパッシング機構は本質的に、連結されたノード間でラベルが一貫しているという仮定に依存しているため、低ホモフィリー設定への適用が制限されます。さらに、メッセージパッシングは階層的な拡散プロセスとして動作するため、GNNは長距離の依存関係を捉えることに課題があります。ネットワークの深さが増すほど、異質的（ヘテロフィリック）なエッジに沿った構造ノイズは増幅される傾向にあり、その結果としてオーバースムージングが生じます。この問題は、トポロジーを通じて一貫しない意味論が伝播することで誤った集約が継続的に悪化する、非常にヘテロフィリックなグラフにおいて特に顕著になります。この問題に対処するために、本研究ではLayer Embedding Deep Fusion Graph Neural Network（LEDF-GNN）と呼ばれる新規フレームワークを提案します。具体的には、複数層の埋め込みを非線形に融合して層間の依存関係を捉え、深い伝播による劣化を効果的に緩和するLayer Embedding Deep Fusion（LEDF）演算子を設計します。さらに、構造的ヘテロフィリーを抑えるために、LEDF-GNNはDual-Topology Parallel Strategy（DTPS）を採用し、元のトポロジーと再構成されたトポロジーを同時に活用します。これにより、多様なホモフィリー条件下で、構造と意味論の共同最適化を適応的に行えるようにします。被引用データおよび画像ベンチマークに対する大規模な半教師あり分類実験の結果、ホモフィリックな場合とヘテロフィリックな場合の両方において、LEDF-GNNは一貫して最先端のベースラインを上回り、その有効性と多様なグラフ型に対する汎化能力が検証されました。