講演情報
[1Yin-B-13]時系列変化とドメイン間遷移を考慮した辺の量的・関係的性質に基づく異種GNN
〇梅原 巧実1、田島 敬史1 (1. 京都大学)
キーワード：
ニューラルネットワーク、グラフ、転移学習
本研究は、時系列変化とドメイン間遷移を含む複合的な問題に取り組むことを目的とし、新たな異種グラフニューラルネットワークであるHQRANを提案する。提案モデルは、エッジをその性質に基づいて、辺特徴量による数値情報を含む「量的辺」と構造的情報を持つ「関係的辺」に分類して構築した異種グラフ上で学習を行う。具体的には、HQRANはこれらのエッジを個別に処理する二段階のアーキテクチャを採用しており、第一段階で量的辺を通じて局所的な相互作用を集約し、第二段階で関係的辺を通じて時系列およびドメインの遷移情報を捉える。本手法の有効性を検証するため、このアプローチをメジャーリーグベースボール（MLB）における選手の成績予測に適用した。2016年から2023年までのデータを用いて2024年の成績を予測する実験を行った結果、HQRANは既存のGNNや伝統的な統計手法と比較して最も高い精度を達成した。以上の結果から、エッジの性質に基づいて学習メカニズムを分類することが、ドメインを跨ぐ時系列予測タスクにおいて有効であると結論付けられる。