講演情報
[4Yin-B-23]ノード活動量予測におけるグラフ情報の寄与の実験的評価
〇濱田 遼太郎1、服部 隆志1 (1. 慶應義塾大学)
キーワード：
グラフニューラルネットワーク、人気度予測
TGNに代表されるTemporal Graph Neural Networksは動的グラフのタスクに広く用いられているが、そのグラフ構造情報がノード活動量予測を真に改善するかは明らかでない。本研究では予測モデル（Transformer）を全条件で固定し、グラフ由来の特徴量のみを変化させる：(1) 近傍活動量の集約、(2) リンク予測で学習したTGNメモリ、(3) 活動量回帰で微調整したTGNメモリ。tgbn-redditデータセット上で3つの乱数シードにより検証した結果、近傍活動量の集約はRMSLEにほぼ変化をもたらさず、TGNメモリは全予測ホライゾン・全シードで精度を悪化させた（12/12条件）。PCAによるアブレーション実験は、高次元入力が原因である可能性を概ね棄却する：主成分を5次元に削減しても精度低下は持続した（9/12条件）。これらの結果は、TGNメモリに符号化されたグラフ情報が本設定においてノード活動量予測を改善せず、むしろ妨げうることを示唆する。他のデータセットへの一般化は今後の課題である。