[論文レビュー] Geometric Scattering for Graph Data Analysis

Feng Gao, Guy Wolf+1 more|arXiv (Cornell University)|Oct 7, 2018

Advanced Graph Neural Networks参考文献 46被引用数 6

ひとこと要約

本稿では、グラフデータ解析のための幾何スキャatteringを導入し、波ウェーブレット変換と非線形モジュラス操作を用いて、ユークリッドスキャattering変換をグラフに一般化することで、安定的で情報豊富な特徴を抽出する。これらの特徴は、単純なモデルですべてのデータセットで高い分類精度を達成でき、特に小さなデータセットでも有効であり、分子グラフにおける生物学的関係を捉えることで、意味のあるデータ探索を可能にする。

ABSTRACT

We explore the generalization of scattering transforms from traditional (e.g., image or audio) signals to graph data, analogous to the generalization of ConvNets in geometric deep learning, and the utility of extracted graph features in graph data analysis. In particular, we focus on the capacity of these features to retain informative variability and relations in the data (e.g., between individual graphs, or in aggregate), while relating our construction to previous theoretical results that establish the stability of similar transforms to families of graph deformations. We demonstrate the application the our geometric scattering features in graph classification of social network data, and in data exploration of biochemistry data.

研究の動機と目的

• グラフ構造データに対するユークリッドスキャattering変換の一般化を通じて、普遍的な特徴抽出を実現すること。
• スキャattering特徴が不変性設計を採用しているにもかかわらず、実用的なグラフデータ解析に十分な情報を保持しているかどうかを評価すること。
• 実世界のデータセットを用いたグラフ分類および探索的データ解析におけるスキャattering特徴の有効性を評価すること。
• スキャattering特徴が分子グラフにおける酵素クラス間の生物学的に意味のある関係を捉えられるかどうかを調査すること。

提案手法

• 幾何スキャattering変換は、グラフウェーブレット変換と非線形複素モジュラス操作の連鎖として構築される。
• グラフラプラシアンおよびその固有値分解を用いてグラフウェーブレットを定義し、マルチスケールの構造的情報を捉える。
• 順次的ウェーブレットフィルタリングとモジュラス操作を適用することで、階層的かつ不変な特徴を生成する。
• スキャattering係数から特徴表現を導出し、これらは微小なグラフ変形に対して不変であり、摂動に対して安定である。
• 次世代の分析のため、主成分分析（PCA）やRBFカーネルSVMといった線形手法をスキャattering特徴に適用する。
• 最近傍部分空間解析を用いて、スキャattering特徴空間における距離を基に酵素クラスの関係を推定する。

実験結果

リサーチクエスチョン

• RQ1 幾何スキャattering特徴は、グラフ構造データに対する有効でタスクに依存しない表現として機能するか？
• RQ2 幾何スキャattering特徴は、グラフ内の情報的ばらつきおよび構造的関係をどれほどよく保持しているか？
• RQ3 スキャattering特徴は、最小限の学習データでどれほど高い精度のグラフ分類を可能にするか？
• RQ4 スキャattering特徴は、分子グラフにおける酵素クラス間の生物学的に意味のある関係を明らかにできるか？

主な発見

• ソーシャルネットワークデータにおいて、幾何スキャattering特徴を用いたRBFカーネルSVMは、最先端のグラフカーネルおよび幾何的深層学習手法を同等または上回るグラフ分類精度を達成した。
• スキャatteringベースのSVMは、通常のグラフ分類タスクで用いられる数よりも著しく少ないグラフで学習させた場合でも、分類精度がわずかに低下したにとどまった。
• 生化学データ（例：ENZYMES）において、スキャattering特徴は顕著な次元削減を実現しながらも、判別性の高い情報を保持した。
• スキャattering特徴は酵素クラス間の意味のある関係を捉えており、48%の酵素が特徴空間で真のECクラスを最近傍部分空間として選択した。
• スキャattering特徴から推定されたEC交換の好みは、Cuestaら（2015）が報告した既知の進化的好みとよく一致しており、特徴の記述的パワーを裏付けた。
• 結果から、幾何スキャatteringが、教師ありおよび教師なし解析に適した普遍的で解釈可能かつ安定したグラフ表現を提供することが示された。