デジタルデータの急速な成長に伴い、現実世界のアプリケーションでは静的な属性と動的な記録を組み合わせた階層情報が増加しています。例えば、ユーザープロファイルでは年齢や性別といった静的属性と、クリックや購入履歴といった動的行動が混在します。このような異種データを統一的かつ汎用的にモデル化することは依然として困難です。既存の手法は手動設計に依存し、特定のデータスキーマに密結合しており、静的・動的属性を別々に処理するため、暗黙的な相互作用を見落としがちです。
本研究では、中国・南京大学などの研究チームがUniSAGEを提案しました。UniSAGEは、階層関係と時間関係を統一構造で表現するグローバル属性グラフを構築します。静的属性ノードと動的記録ノードがエッジで接続され、全情報を含むグラフネットワークを形成します。表現の一貫性を確保するため、共有意味空間内で静的集約と動的推論を共同でサポートする2つの直交パラメータ部分空間を導入します。これにより、静的特徴の安定パターンと動的特徴の時間変化の両方を干渉なく学習できます。
これらの統一表現に基づき、UniSAGEは軽量なハイパー構造メカニズムを介して静的・動的属性間のタスク固有相互作用を可能にします。ハイパー構造はグローバル属性グラフに追加されたスパースな接続であり、タスクに応じて動的に調整され、モデルが最も関連性の高い属性間依存関係に注目できるようにします。UniSAGEは完全に自動化されており、人手による特徴工学は不要で、進化するデータスキーマに対しても頑健です。
効果を検証するため、研究チームは複数の公開ベンチマークと実世界の金融行動データセットで広範な実験を行いました。結果は、UniSAGEが既存手法を一貫して上回り、複数のタスクで10%以上の性能向上を達成したことを示しています。特に、不正検出や顧客離脱予測といったタスクで顕著な優位性を示しました。この成果は、静的・動的属性を併せ持つ複雑なデータを処理するための効率的かつ汎用的なソリューションを提供し、レコメンデーションシステム、リスク評価、ソーシャルネットワーク分析などの分野での応用が期待されます。