講演情報
[3E1-GS-2d-01]条件付き独立性によるグラフニューラルネットワークの構造正則化学習
〇和田 爽花1、菅原 聖太1、植野 真臣1 (1. 電気通信大学)
キーワード：
グラフニューラルネットワーク、グラフ構造学習
近年，グラフニューラルネットワーク（GNN）では，データから隣接行列を同時に学習するグラフ構造学習（GSL）が，構造が未知・不完全なデータに対して有効な枠組みとして注目されている．
しかし既存の task-driven 型 GSL は，予測損失の最小化を目的とした構造学習により，観測データが含むノイズを構造へ取り込みやすく，汎化性能の低下と学習構造の解釈性低下を招き得る．
そこで本研究では，条件付き独立性（CI）検定に基づく CI 構造行列をエッジ単位の gating として導入し，CI と整合しない情報伝播を抑制しつつ依存関係が示唆される結合を強調する CI-gated GNN を提案する．
UCI 実データ7種の比較実験では提案手法が既存 GSL（IDGL/GAug/LDS）およびアブレーションより高い AUC を示し，合成 SEM データの構造復元では DAGMA/NOTEARS を上回る F 値を達成した．
以上より，CI に基づく統計的原理を構造学習へ組み込むことで，高精度かつ解釈可能なグラフ構造学習を可能にすることを示した．
しかし既存の task-driven 型 GSL は，予測損失の最小化を目的とした構造学習により，観測データが含むノイズを構造へ取り込みやすく，汎化性能の低下と学習構造の解釈性低下を招き得る．
そこで本研究では，条件付き独立性（CI）検定に基づく CI 構造行列をエッジ単位の gating として導入し，CI と整合しない情報伝播を抑制しつつ依存関係が示唆される結合を強調する CI-gated GNN を提案する．
UCI 実データ7種の比較実験では提案手法が既存 GSL（IDGL/GAug/LDS）およびアブレーションより高い AUC を示し，合成 SEM データの構造復元では DAGMA/NOTEARS を上回る F 値を達成した．
以上より，CI に基づく統計的原理を構造学習へ組み込むことで，高精度かつ解釈可能なグラフ構造学習を可能にすることを示した．