Multi-Label Node Classification with Label Influence Propagation
Abstractの概要
本論文は、ラベルの共起や近接性のみをモデル化するのではなく、ラベル間の相互影響に焦点を当てることで、グラフ上の多ラベルノード分類について研究している。著者らはGNNのメッセージパッシングを伝播（propagation）と変換（transformation）の操作に分解し、各部分におけるラベルの影響を個別に分析している。伝播による影響はノード間の影響やパーソナライズドPageRankを通じてグラフ構造に結びつき、変換による影響はラベル固有の勾配間の相互作用を通じて定量化される。これらのペア間の影響に基づいてラベル影響グラフを構築し、その上で高次の影響を伝播させることでラベルの重要度スコアを計算し、提案されるラベル影響伝播（LIP）フレームワークにおける学習中の各ラベル損失の再重み付けに利用される。
新規性
主な新規性は、共起統計やラベル埋め込みのみに依存するのではなく、グラフ上のラベル影響をポジティブまたはネガティブなものとして明示的に扱う点にある。手法としては、GNNのメッセージパッシングを影響分析のために伝播と変換に分解し、それらを結合してラベル影響グラフを構築することで、PageRank風のスコアが多ラベル学習を動的に導く仕組みを導入している。
成果
異なるドメインの6つのベンチマークデータセットにわたり、LIPは複数の評価設定において従来のMLNCベースラインを一貫して上回ることが報告されている。ノード分割評価で平均3.06%、ラベル分割評価で平均3.42%のMacro AUCの向上が示されており、単一のアーキテクチャだけでなく複数の異なるGNNバックボーンを改善できることも示されている。
論文の注目点
- LIPは、グラフ構造に駆動される伝播の影響と、勾配に駆動される変換の影響という、GNN学習の2つの独立した部分におけるラベルの相互作用を定量化する。
- ペア間の影響を統合して高次のラベル影響グラフを構築し、PageRank風の重要度スコアを用いて、損失における有益なラベルの重みを上げ、有害なラベルの重みを下げる。
- 実験およびアブレーションにより、両方の影響要素を組み合わせることで単独で使用するよりも高い性能が得られること、また本手法が複数のグラフバックボーンに適用可能なプラグインブースターとして機能することが示されている。