FSD-CAP：グラフ特徴量補完のためのクラス認識型伝播を用いた部分的サブグラフ拡散

TL;DR（結論）

FSD-CAPは、ノード特徴量の99.5%が欠損しているという極限状態のグラフデータにおいて、全データが揃っている状態に匹敵する精度で特徴量を復元・補完する新しい学習フレームワークである。 局所的なグラフ構造に応じて情報の伝播強度を調整する「分数拡散オペレータ」と、観測済みノードから段階的に探索範囲を広げる「部分的サブグラフ拡張」を組み合わせることで、広域拡散による誤差の蓄積を抑えつつ、安定した特徴量推定を可能にしている。 さらに、推定された特徴量から得られる疑似ラベルと近傍のラベル一貫性（エントロピー）を利用した「クラス認識型伝播」を導入することで、クラス内の整合性を高め、ノード分類やリンク予測といった下流タスクにおいて既存手法を圧倒する性能を達成した。

なぜこの問題か

グラフニューラルネットワーク（GNN）は、ソーシャルネットワークの解析、生物学的データの分類、推薦システムの構築など、多岐にわたる分野で目覚ましい成果を上げている。しかし、既存の多くのGNNアーキテクチャは、すべてのノードに完全な特徴量が付随しているという理想的な状況を前提として設計されている。現実世界のアプリケーションにおいては、プライバシー保護のためのデータ秘匿、センサーの物理的な故障、あるいはデータ収集プロセスにおける不備などにより、ノードの特徴量が一部、あるいは大部分が欠損しているケースが極めて一般的である。このような特徴量の欠損は、GNNの根幹であるメッセージパッシング（情報伝達）のプロセスを著しく阻害し、モデルの予測精度を劇的に低下させる要因となる。 これまでの研究では、統計的な推定手法や機械学習を用いた補完、あるいは生成モデルを用いたアプローチが提案されてきた。近年では、観測された特徴量と学習された埋め込み表現を潜在空間で整合させる手法や、不完全な入力に耐性を持つGNN構造も開発されている。…

核心：何を提案したのか

本研究では、特徴量の極端な欠損に対する耐性を飛躍的に高め、グラフの局所的な構造変化に適応するように設計された新しい拡散ベースのフレームワーク「FSD-CAP（Fractional Subgraph Diffusion with Class-Aware Propagation）」を提案している。このフレームワークの核心は、情報の伝播プロセスを構造的かつ段階的に制御し、さらに意味的な一貫性を注入する点にある。具体的には、以下の3つの主要な技術的コンポーネントを統合している。 第一の柱は、「分数拡散オペレータ」の導入である。これは、標準的なグラフ拡散行列を一般化したものであり、局所的な接続関係に基づいて情報の伝播の「鋭さ」を柔軟に調整する役割を担う。…

続きはログイン/プランで閲覧できます。