GCN-MPPR：モチーフベースの personalize ページロクによる情報伝播を用いたメッセージ駆動 Neural ネットワークの拡散強化

メッセージ駆動的なニューラルネットワーク（MPNN）に基づくアルゴリズムは、様々なグラフ上の応用に対して大きな成功を収めています。ただし、これらの方法では情報が非常に限定された近傍にのみ浅い深さで推移し、特に平滑化によるものと考えられています。つまり、多くの既存のMPNNは「深い」ことを見落としています。一部の既存の文献はこの挑戦を最適化や構造レベルでの解決策により克服しようとしてきましたが、GCNの一層全体的なパフォーマンスは依然として精度低下、欠如した安定性、過度な計算コストなどの課題に直面しています。さらに、メッセージ伝播過程でMPNNのhigher-orderの関係を見落とすことが彼女の性能を限定的にしました。これらの問題に対処するため、PageRankの一種であるモチーフベースの personalize ページロク(MPPR)が提案されました。MPPRは、一節における相互の影響度に基づいて高orderのモチーフ関係を考慮し、それを測定します。さらに、グラフネットワーク(GCN)内部のメッセージ伝播過程でのこのMPPRの使用により、メッセージ伝播過程が「高い」レベルでガイドされることが得られます。実験結果によると、提案された方法は、その精度、安定性、消費時間に関して基準のどのものよりも優れます。さらに、この方法はGCNトライクル（DGCRLなど）の中で示されたようにほぼすべてのGCNタスクをサポートすることができます。匿名のコードリポジトリはhttps://anonymous.4open.science/r/GCN-MPPR-AFD6/にあります。

arXiv:2602.07903v1 Announce Type: new Abstract: The algorithms based on message passing neural networks (MPNNs) on graphs have recently achieved great success for various graph applications. However, studies find that these methods always propagate the information to very limited neighborhoods with shallow depth, particularly due to over-smoothing. That means most of the existing MPNNs fail to be so `deep'. Although some previous work tended to handle this challenge via optimization- or structure-level remedies, the overall performance of GCNs still suffers from limited accuracy, poor stability, and unaffordable computational cost. Moreover, neglect of higher-order relationships during the propagation of MPNNs has further limited the performance of them. To overcome these challenges, a novel variant of PageRank named motif-based personalized PageRank (MPPR) is proposed to measure the influence of one node to another on the basis of considering higher-order motif relationships. Secondly, the MPPR is utilized to the message passing process of GCNs, thereby guiding the message passing process at a relatively `high' level. The experimental results show that the proposed method outperforms almost all of the baselines on accuracy, stability, and time consumption. Additionally, the proposed method can be considered as a component that can underpin almost all GCN tasks, with DGCRL being demonstrated in the experiment. The anonymous code repository is available at: https://anonymous.4open.science/r/GCN-MPPR-AFD6/.