理論的保証を伴うグラフレベルタスクのための一般化可能で表現力豊かなグラフニューラルネットワークに向けて

要約 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や生物学を含むさまざまな領域での分類や回帰など、グラフレベルのタスクを解決するために不可欠なものとなっています。しかし、既存のGNNは、複雑な構造パターンを捉える表現力や、多様で雑音の多いデータセットに対する堅牢なパフォーマンスを保証する一般化に苦しんでいます。これらの課題に対処するために、k-パス根付き部分グラフエンコーダ、適応的グラフコントラスト学習アプローチ、一貫性を考慮した損失を統合した新しいGNNモデルを提案します。k-パス根付き部分グラフエンコーダは、複雑な部分構造を捉え、区別することで表現力を向上させ、パスとサイクルを数えるための理論的保証を提供します。適応的グラフコントラスト学習フレームワークは、エッジの重要性に基づいて、ドメインに配慮したグラフ拡張を生成することで一般化を改善し、一貫性を考慮した損失は、拡張されたビュー間でタスクに関連する特性が保持されることを保証します。グラフ分類、回帰、ノイズ、クラス不均衡、少数ショット学習などの現実のシナリオを網羅する26のデータセットでの広範な実験により、当モデルは効果性と効率性の両面で18の最先端GNNモデルに対して優れたパフォーマンスを達成しました。コードはhttps://anonymous.4open.science/r/GEGNN に公開されています。