自己適応型グラフモデルミキサー

グラフニューラルネットワーク（GNN）は、グラフ構造のデータに対して強力な学習ツールとして登場しましたが、その性能向上は頭打ちになりつつあることが最近の研究で示されています。本論文では、最も適切なGNNモデルを自動的に選択・組み合わせる自己適応型グラフモデルミキサー（SAGMM）という新しいフレームワークを提案します。SAGMMは、構造に基づいて各ノードに専門家を割り当てるアテンショングーティング機構を活用し、異なるアーキテクチャから専門家を選定します。また、トレーニング中と推論時にアクティブな専門家の数を減少させるプルーニングメカニズムも導入しています。16のベンチマークデータセットでの評価により、SAGMMは先行するGNNベースラインやミキシング手法に対して一貫して優れた性能を示し、実世界のグラフ学習に対して適応的な解決策を提供することが確認されました。