グラフ深層学習
近年の機械学習の普及に伴い、より汎用なデータ構造を有するグラフデータを対象とした深層学習の研究が盛んに行われています。
本プロジェクトでは、グラフ深層学習をより高精度で高速に処理する技術開発、およびグラフ深層学習技術を性能評価するためのベンチマーク開発に取り組んでいます。
プロジェクトは主に3つの柱に焦点を当てています。
最初の柱では、複数のグラフ深層学習の利点と欠点を補う統合型のグラフ深層学習技術に取り組んでいます。
要素技術として、ロバスト性を考慮して複数の Graph Neural network の重みづけをする技術に取り組んでいます。
第2の柱では、実世界に存在するグラフの特徴を変化させるグラフ生成器の研究 [1]、および人工グラフ生成器を用いて多数のグラフ深層学習の利点と欠点を明らかにするベンチマークの研究に取り組んでいます [2]。
要素技術として、入力グラフからグラフの特性(homophily/heterophily, core/border)とクラス分布を抽出し、得られた分布に基づいて多様な人工グラフを生成する技術に取り組んでいます。
最後に、多様なグラフデータを対象とした、グラフ深層学習技術の高精度化および高速化の研究に取り組んでいます [2,4,5]。
Members
Publication list
[2] Seiji Maekawa, Yuya Sasaki, Makoto Onizuka: Why Using Either Aggregated Features or Adjacency Lists in Directed or Undirected Graph? Empirical Study and Simple Classification Method. CoRR abs/2306.08274 (2023)
[3] Seiji Maekawa, Koki Noda, Yuya Sasaki, Makoto Onizuka: Beyond Real-world Benchmark Datasets: An Empirical Study of Node Classification with GNNs. NeurIPS 2022
[4] Seiji Maekawa, Yuya Sasaki, George Fletcher, Makoto Onizuka: GNN Transformation Framework for Improving Efficiency and Scalability. ECML/PKDD (2) 2022: 360-376
[5] Yuya Ogawa, Seiji Maekawa, Yuya Sasaki, Yasuhiro Fujiwara, Makoto Onizuka: Adaptive Node Embedding Propagation for Semi-supervised Classification. ECML/PKDD (2) 2021: 417-433
Funding
Resources
Beyond Real-world Benchmark Datasets: An Empirical Study of Node Classification with GNNs: https://github.com/seijimaekawa/empirical-study-of-GNNs
GNN Transformation Framework: https://github.com/seijimaekawa/LCtransformation
Adaptive Node Embedding Propagation for Semi-supervised Classification: https://github.com/suzu97t/ANEPN