パスベース勾配ブースティングによるグラフレベルの予測

研究者Claudio Meggioと共同研究者は、グラフレベルの分類および回帰タスクのための新しい勾配木ブースティング手法「PathBoost」を提案しました。多くのブラックボックスモデルとは異なり、PathBoostは入力グラフ構造から直接識別的なパスベースの特徴を学習するため、解釈性が向上します。本手法は、特定の化学応用向けに設計された先行研究を基に、次の3つの重要な拡張を導入しています：ロジスティック損失を用いた勾配ブースティングによる二値分類への適応、接頭辞ベースの分解による複数のノードおよびエッジ属性のパス特徴空間への統合、そしてカテゴリ属性の多様性に基づくアンカーノードの自動選択により、ユーザーがパスの開始点を指定する必要をなくしました。研究チームは、複数のベンチマークデータセットを用いて、PathBoostを最先端のグラフニューラルネットワーク（GNN）やグラフカーネル手法と比較しました。結果は、半数のデータセットでPathBoostがこれらの手法を上回り、残りのデータセットで同等の性能を達成したことを示しています。特筆すべきは、PathBoostが平均ノード数が大きいグラフで優れた性能を示し、そのスケーラビリティを示唆している点です。これらの発見は、パスベースのブースティング手法がより複雑なブラックボックス手法と競合できることを実証し、解釈可能なグラフレベル予測への有望な道筋を提供します。