JP6906478B2

JP6906478B2 - 情報処理装置、情報処理方法、およびプログラム

Info

Publication number: JP6906478B2
Application number: JP2018099175A
Authority: JP
Inventors: 秀将伊藤; 釜谷　幸男; 幸男釜谷; 克之花井
Original assignee: Toshiba Corp; Toshiba Digital Solutions Corp
Current assignee: Toshiba Corp; Toshiba Digital Solutions Corp
Priority date: 2018-05-23
Filing date: 2018-05-23
Publication date: 2021-07-21
Anticipated expiration: 2038-05-23
Also published as: CN111837141A; US12182681B2; US20210064978A1; WO2019225399A1; JP2019204294A

Description

本発明の実施形態は、情報処理装置、情報処理方法、およびプログラムに関する。

近年、人工知能を産業領域に活用する試みが進められている。利用が検討されている人工知能技術は、ディープラーニングやその関連技術が多く、画像認識、故障解析、特性予測などに適用範囲が広がっている。

特に、画像認識では、畳込みニューラルネットワーク（ＣＮＮ；Convolutional Neural Network）を活用した研究と実用が盛んに進められている。ＣＮＮでは、画像の各画素点に対して、近傍の画素情報を使ったフィルター処理（畳込み処理、プーリング処理）を施してから、フルコネクションのニューラルネットワークに入力することで、計算の効率化と精度向上を図ることができる。ここで、フィルター処理としての、畳込みやプーリングは、実際の視覚野での受容野での処理が近傍の視覚細胞の信号だけを対象とした局所処理であるという、実際の視覚システムの構造をニューラルネットワークの構造に反映したものと考えられる。このフィルター処理においては、視覚野全体で同じ処理が分散並列に行われる。そして、視覚システムを反映したニューラルネットワークでは、各画素同士の接続構造は、少なくとも入力直後の処理としては、局所接続グラフ構造をもった処理になっている。これに関連し、グラフ構造のデータを人工知能に適用するために、グラフ構造を反映したニューラルネットワークの研究が進められている（非特許文献１参照）。

しかしながら、従来のグラフ構造を反映したニューラルネットワークの技術では、大規模化への対応、多様性、変動性などのニーズに対応することができない場合があった。

"GRAPH ATTENTION NETWORKS",Petar Velickovic et al, Published as a conference paper at ICLR 2018

本発明が解決しようとする課題は、より幅広いニーズに対応することができる情報処理装置、情報処理方法、およびプログラムを提供することである。

実施形態の情報処理装置は、データ取得部と、ネットワーク処理部とを持つ。データ取得部は、複数の実ノードと、前記複数の実ノードのうち二つを接続する一以上の実エッジとを含むグラフ構造のデータを取得する。ネットワーク処理部は、前記データ取得部により取得されたグラフ構造のデータに基づいて、前記複数の実ノードと前記一以上の実エッジとをそれぞれ区別できる想定ノードとし、前記複数の想定ノードの特徴量を伝播させるニューラルネットワークを設定し、前記複数の想定ノードのそれぞれの第ｋ−１層の特徴量を、少なくとも前記それぞれの想定ノードと接続関係にある他の想定ノードの第ｋ層の特徴量に伝播させる処理を実行する。ｋは１以上の自然数である。

従来の考え方により、グラフ構造のデータからニューラルネットワークを生成する様子を示す図。第１の実施形態の手法により、グラフ構造のデータからニューラルネットワークを生成する様子を示す図。情報処理装置が係数α_ｉ，ｊを決定する手法について説明するための図。第１の実施形態に係る情報処理装置１のブロック図。想定ノードＡＮの種別の定義の一例を示す図。第２の実施形態の手法により、グラフ構造のデータ２０から生成されたニューラルネットワークを示す図。対象データの変更によってニューラルネットワークが変更される様子を示す図。第２の実施形態に係る情報処理装置２のブロック図。第２の実施形態を電力送電配電網に適用する様子について説明するための図。変形例に係るニューラルネットワークの一例を示す図。

以下、実施形態の情報処理装置、情報処理方法、およびプログラムを、図面を参照して説明する。

まず、情報処理装置が作成するニューラルネットワークの原理について説明する。図１は、従来の考え方により、グラフ構造のデータからニューラルネットワークを生成する様子を示す図である。

図１の上図は、グラフ構造のデータを模式的に示している。図示の構成では、実ノードＲＮ１〜ＲＮ４が存在する。「実ノード」とは、後述する「想定ノード」と区別するための概念であり、情報処理装置が取得するグラフ構造のデータ（処理対象データ、元データ）におけるノードを意味する。実ノードＲＮ１は、特徴量ｈ１を有しており、実ノードＲＮ２は、特徴量ｈ２を有しており、実ノードＲＮ３は、特徴量ｈ３を有しており、実ノードＲＮ４は、特徴量ｈ４を有している。特徴量は、例えばベクトルであるが、本明細書および図面では、スカラーとベクトルを表記上、区別していない。

図１の上図において、実ノードＲＮ１と実ノードＲＮ２は、実エッジＲＥ１２で接続され、実ノードＲＮ１と実ノードＲＮ３は、実エッジＲＥ１３で接続され、実ノードＲＮ１と実ノードＲＮ４は、実エッジＲＥ１４で接続され、実ノードＲＮ２と実ノードＲＮ３は、実エッジＲＥ２３で接続されている。「実エッジ」とは、後述する「想定エッジ」と区別するための概念であり、情報処理装置が取得するグラフ構造のデータにおけるエッジを意味する。また、ここでの「接続されている」とは、互いの特徴量が、次の状態における双方の特徴量に影響を及ぼし合う関係を意味する。なお、この定義は無向グラフを前提としているが、有向グラフを扱う場合、「接続されている」とは、一方の特徴量が、次の状態における他方の特徴量に影響を及ぼす関係を意味する。

図１の下図は、図１の上図に示すグラフ構造のデータに基づいて生成されるニューラルネットワークの一例を示すものである。ｈ_１＃、ｈ_２＃、ｈ_３＃、ｈ_４＃のそれぞれは、実ノードＲＮ１、ＲＮ２、ＲＮ３、ＲＮ４のそれぞれの特徴量の、中間第１層における特徴量である。図示するように、図１の上図における実エッジＲＥが、そのままニューラルネットワークの接続構造となっている。ここで、特徴量ｈ_１＃は、式（１）で表される。式中、α_１，１〜α_１，４は、伝播度合いを示す係数である。このように、ある実ノードＲＮの第ｋ層の特徴量は、接続関係にある他の実ノードＲＮおよびその実ノードＲＮ自身のｋ−１層の特徴量に対して、それぞれ係数と伝播行列Ｗを乗算して合計することで求められる。伝播行列に関しては後述する。
ｈ_１＃＝α_１，１・Ｗ・ｈ_１＋α_１，２・Ｗ・ｈ_２＋α_１，３・Ｗ・ｈ_３＋α_１，４・Ｗ・ｈ_４ …（１）

（第１の実施形態）
図２は、第１の実施形態の手法により、グラフ構造のデータからニューラルネットワークを生成する様子を示す図である。図示するように、第1の実施形態の情報処理装置は、実ノードＲＮだけでなく、実エッジＲＥを含めた想定ノードＡＮを設定し、想定ノードＡＮの第ｋ−１層の特徴量を、接続関係にある他の想定ノードＡＮ、およびその想定ノードＡＮ自身の第ｋ層の特徴量に伝播させるニューラルネットワークを生成する。ｋは１以上の自然数であり、ｋ＝０の層は、例えば入力層を意味する。

情報処理装置は、例えば、式（２）に基づいて中間第１層の特徴量を決定する。なお、式（２）は、想定ノード（ＲＮ１）の中間第１層の特徴量ｈ１＃の計算手法に該当する。一例としてα_１，１２は、想定ノード（ＲＮ１）と想定ノード（ＲＥ１２）の間の伝播度合いを示す係数である。想定ノード（ＲＮ１）の中間第２層の特徴量ｈ１＃＃は、式（３）で表される。中間第３層以降も順次、同様の規則で特徴量が決定される。
ｈ_１＃＝α_１，１・Ｗ・ｈ_１＋α_１，１２・Ｗ・ｈ_１２＋α_１，１３・Ｗ・ｈ_１３＋α_１，１４・Ｗ・ｈ_１４ …（２）
ｈ_１＃＃＝α_１，１・Ｗ・ｈ_１＃＋α_１，１２・Ｗ・ｈ_１２＃＋α_１，１３・Ｗ・ｈ_１３＃＋α_１，１４・Ｗ・ｈ_１４＃ …（３）

情報処理装置は、例えば、グラフアテンションネットワークに基づく規則で係数α_ｉ，ｊを決定する。図３は、情報処理装置が係数α_ｉ，ｊを決定する手法について説明するための図である。情報処理装置は、伝播元の想定ノードＲＮｉの特徴量ｈｉに伝播行列Ｗを乗算して得られるベクトルＷｈ_ｉと、伝播先の想定ノードＲＮｊの特徴量ｈｊに伝播行列Ｗを乗算して得られるベクトルＷｈ_ｊとを結合したベクトル（Ｗｈ_ｉ，Ｗｈ_ｊ）を個別ニューラルネットワークａ（アテンション）に入力し、出力層のベクトルをシグモイド関数、ＲｅＬＵ、ｓｏｆｔｍａｘ関数などの活性化関数に入力して正規化し、足し合わせることで、係数α_ｉ，ｊを導出する。個別ニューラルネットワークａは、解析対象となる事象について予めパラメータ等が求められたものである。

情報処理装置は、上記の規則に従いつつ、ニューラルネットワークの目的に沿うようにニューラルネットワークのパラメータ（Ｗ、α_ｉ，ｊ）を決定する。ニューラルネットワークの目的とは、想定ノードＡＮを現在の状態とした場合に将来の状態を出力することであったり、現在の状態を評価するための指標を出力することであったり、現在の状態を分類することであったりする。

図４は、第１の実施形態に係る情報処理装置１のブロック図である。情報処理装置１は、例えば、データ取得部１０と、ネットワーク処理部３０と、出力部６０とを備える。これらの機能部は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

データ取得部１０は、例えば、外部装置からグラフ構造のデータ２０を取得し、記憶部に記憶させる。記憶部は、例えば、ＲＡＭ（Random Access Memory）やＨＤＤ（Hard Disk Drive）、フラッシュメモリなどにより実現される。グラフ構造のデータ２０は、例えば、図１や図２の上図に示すようなグラフ構造を、実ノードＲＮと実エッジＲＥのそれぞれのレコードとして表現したデータである。また、グラフ構造のデータ２０には、それぞれの実ノードＲＮの初期状態としての特徴量が付与されていてもよい。なお、実ノードＲＮの初期状態としての特徴量は、グラフ構造のデータ２０とは別のデータセットとして用意されてもよい。データ取得部１０は、外部装置からグラフ構造のデータ２０を取得するのに代えて、予め記憶部に記憶されているグラフ構造のデータ２０を取得する（読み出す）ものであってもよいし、利用者が入力デバイスを用いて入力したグラフ構造のデータ２０を取得してもよい。

ネットワーク処理部３０は、例えば、実ノード・実エッジ隣接関係抽出部３２と、想定ノードメタグラフ化部３６と、メタグラフコンボリューション部４０とを備える。

実ノード・実エッジ隣接関係抽出部３２は、グラフ構造のデータ２０を参照し、隣接関係（接続関係）にある実ノードＲＮと実エッジＲＥを抽出する。例えば、実ノード・実エッジ隣接関係抽出部３２は、それぞれの実ノードＲＮおよび実エッジＲＥについて、隣接関係（接続関係）にあるの実ノードＲＮまたは実エッジＲＥを網羅的に抽出し、それらを対応付けた形で記憶部に記憶させる。

想定ノードメタグラフ化部３６は、実ノード・実エッジ隣接関係抽出部３２により抽出された実ノードＲＮと実エッジＲＥが接続されるように、想定ノードＡＮの状態を層状に繋いだニューラルネットワークを生成する。この際に、想定ノードメタグラフ化部３６は、前述したグラフアテンションネットワークに基づく規則に従いつつ、前述したニューラルネットワークの目的に沿うように、伝播行列Ｗおよび係数α_ｉ，ｊを決定する。

メタグラフコンボリューション部４０は、例えば、想定ノードＡＮのうち実ノードＲＮの初期値としての特徴量をニューラルネットワークに入力し、各層の想定ノードＡＮの状態（特徴量）を導出する。これを繰り返し実行することで、出力部６０が想定ノードＡＮの特徴量を外部に出力する。

以上説明した第１の実施形態によれば、より幅広いニーズに対応することができる。

（第２の実施形態）
以下、第２の実施形態について説明する。第２の実施形態において、情報処理装置は、想定ノードＡＮの元となる実ノードＲＮと実エッジの少なくとも一方に対して種別を設定し（換言すると、想定ノードＡＮに対して種別を設定し）、種別ごとに係数を設定する際の規則を変更する。より具体的に、情報処理装置は、想定ノードＡＮの種別ごとに、その想定ノードＡＮから伝播する特徴量を規定する係数α_ｉ，ｊを決定するための伝播行列Ｗを異ならせる。

図５は、想定ノードＡＮの種別の定義の一例を示す図である。この例において、第２の実施形態の情報処理装置は、実ノードＲＮであった想定ノードに対してＡ、Ｂの二種類の種別を、実エッジＲＥであった想定ノードに対してＬ、Ｔの二種類の種別を設定する。図５の上図は、グラフ構造のデータ２０の内容の一例を示し、図５の下図は、実ノードＲＮと実エッジＲＥを想定ノードＡＮに変換した様子を模式的に示している。
種別が「Ａ」である実ノードＲＮ（Ａ）は、種別が「Ｌ」である実エッジＲＥ（Ｌ）のみが接続されたものである。
種別が「Ｂ」である実ノードＲＮ（Ｂ）は、種別が「Ｌ」である実エッジＲＥ（Ｌ）と種別が「Ｔ」である実エッジＲＥ（Ｔ）との双方が接続されたものである。
種別が「Ｌ」である実エッジＲＥ（Ｌ）と、種別が「Ｔ」である実エッジＲＥ（Ｔ）は、自身に接続された実ノードＲＮの特徴量の伝播特性が互いに異なるものである。
Ａ、Ｂ、Ｌ、Ｔに続く数字は、実ノードＲＮ、実エッジＲＥ、想定ノードＡＮとしての識別子である。以下、Ａ１、Ｂ１、Ｌ１、Ｔ２などの符号は、想定ノードＡＮの識別子であると共に、それらの特徴量を示すものとする。

図６は、第２の実施形態の手法により、グラフ構造のデータ２０から生成されたニューラルネットワークを示す図である。ニューラルネットワークの生成規則に関しては第1の実施形態と同様であるが、第２の実施形態の情報処理装置は、想定ノードＡＮの種別ごとに、その想定ノードＡＮから伝播する特徴量を規定する係数α_ｉ，ｊを決定するための伝播行列Ｗを異ならせる。具体的に、情報処理装置は、実ノードＲＮ（Ａ）であった想定ノードＡＮから伝播する特徴量には伝播行列Ｗ_Ａを適用し、実ノードＲＮ（Ｂ）であった想定ノードＡＮから伝播する特徴量には伝播行列Ｗ_Ｂを適用し、実エッジＲＥ（Ｌ）であった想定ノードＡＮから伝播する特徴量には伝播行列Ｗ_Ｌを適用し、実ノードＲＥ（Ｔ）であった想定ノードＡＮから伝播する特徴量には伝播行列Ｗ_Ｔを適用する。なお、伝播行列Ｗ_Ａ、Ｗ_Ｂ、Ｗ_Ｌ、Ｗ_Ｔのそれぞれを、層ごとに異ならせてもよい。

これによって、実ノードＲＮや実エッジＲＥの特性の違いに対して、より正確に追従することができ、正確に想定ノードＡＮの状態（特徴量）を予測することができる。

また、第１または第２実施形態の情報処理装置によれば、対象データの変更に対して柔軟に対応することができる。図７は、対象データの変更によってニューラルネットワークが変更される様子を示す図である。図７の上図の例を図５の例と比較すると、実ノードＲＮ（Ｂ１）と実ノードＲＮ（Ｂ２）とを接続する実エッジＲＥ（Ｔ２）が追加されている。この場合、図７の下図に示すように、ニューラルネットワークにおいては想定ノードＡＮ（Ｔ２）を追加し、想定ノードＡＮ（Ｔ２）と、想定ノードＡＮ（Ｂ１）、ＡＮ（Ｂ２）、および想定ノードＡＮ（Ｔ２）自身を接続する想定エッジＡＥを追加すれば済む。従って、対象データの変更に対して柔軟に対応することができる。

図８は、第２の実施形態に係る情報処理装置２のブロック図である。情報処理装置２は、第１の実施形態と比較すると、例えば、種別設定部３４を更に備える。種別設定部３４は、例えば、ＣＰＵなどのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

種別設定部３４は、実ノード・実エッジ隣接関係抽出部３２により抽出された結果を参照し、実ノードＲＮおよび実エッジＲＥのそれぞれに前述したような種別を付与する。

想定ノードメタグラフ化部３６は、前述したグラフアテンションネットワークに基づく規則で、且つ特徴量の伝播元の種別に応じた伝播行列Ｗを適用して、係数α_ｉ，ｊを決定する。

その他の構成要素の機能については、第１の実施形態と同様である。

以上説明した第２の実施形態によれば、より幅広いニーズに対応することができる。

また、上記の構成は、社会インフラの状態を解析するのに好適である。例えば、電力送電配電網や上下水道網などの解析対象は、グラフ構造として捉えることで正確な解析をすることができる。

図９は、第２の実施形態を電力送電配電網に適用する様子について説明するための図である。図示する構成は、バス１〜バス４を含む。バスとは、電力の供給源や需要家が接続される「箇所」のような概念である。バス１とバス２の間には、変圧器が設けられている。バス２には、６０[ＭＷ]の需要家が接続されている。バス２とバス３の間は、７０[ｋｍ]の電力線で接続されている。バス３には、発電機と、７０[ＭＷ]の需要家が接続されている。バス２とバス４の間は、４０[ｋｍ]の電力線で接続されており、バス３とバス４の間は、５０[ｋｍ]の電力線で接続されている。バス４には、発電機と、１０[ＭＷ］の需要家が接続されている。このような構成において、バスを実ノード、変圧器を種別「Ｔ」の実エッジ、電力線を種別「Ｌ」の実エッジと考えると、図７に示すグラフ構造のデータおよびニューラルネットワークで状態を解析することができる。この場合、実ノードＲＮに基づく想定ノードＡＮに対して入力される入力属性としては、種別、接続された負荷、シャント抵抗などがある。また、種別「Ｔ」の実エッジＲＥに基づく想定ノードＡＮに対して入力される入力属性としては回路定数があり、種別「Ｌ」の実エッジＲＥに基づく想定ノードＡＮに対して入力される入力属性としては距離やユニット自由度などがある。入力属性とは、特徴量のうち静的な情報である。

グラフ構造に擬される社会インフラに対して、ニューラルネットワークによる解析処理を行う場合、以下の要件を満たすことが望ましい。
１．大規模性
社会インフラへの適用には、基本的に規模の大きさと拡張性が必要になる。たとえば、電力送電配電網を考えると、バス（設備機器や需要負荷などの接続点）数として１万以上の大規模回路網となることもある。
２．多様性
従来のニューラルネットワークを応用した入力情報は、多くが、均一の属性信号であった。たとえば、画像処理の場合、入力は、画素信号という一種類の情報であったり、その特徴信号であった。しかしながら、社会インフラの場合、その入力信号数（次元）は数千以上となる場合があり、ネットワーク層も数十層というような大きな規模になる場合がある。上述の電力送電配電網を考えると、発電機、変圧器、負荷、トランス、電線など多種の設備がつながった大規模システムである。
３．変動性
通常、社会インフラ自体は運用期間が長く、その間に機器の保守、改良、置換が繰り返され、その都度、運用管理の見直しや投資検討が行われている。このように社会インフラの部分的改善、変更に対して、モデルの再学習を行うことなく追従する機能が求められている。

これに対し実施形態の情報処理装置は、伝播行列Ｗを複数の想定ノードＡＮ間で共通して用いることで、伝播に関するパラメータを網羅的に探索する必要がなくなるため、解析対象が大規模であっても処理負荷の増大を抑制することができる。また、想定ノードＡＮに対して種別を設定し、伝播行列Ｗを種別に応じて異ならせることで、多様性の要求にも対応することができる。また、ニューラルネットワークにおける接続数を、もとのグラフ構造のデータにおける隣接関係（接続関係）にあるものに限定しているため、変動性の要求にも対応することができる。

（第１または第２の実施形態の変形例）
上記各実施形態では、実ノードＲＮと実エッジＲＥを想定ノードとした後は、これらをニューラルネットワーク上では区別せずに処理を行うものとしたが、実ノードＲＮに基づく想定ノードＡＮに対する処理と、実エッジＲＥに基づく想定ノードＡＮに対する処理とを、タイミングをずらしながら交互に行うようにしてもよい。図１０は、変形例に係るニューラルネットワークの一例を示す図である。このように構成することで、ある実ノードＲＮの状態を、より速やかに隣接する（一つの実エッジを介して接続された）他の実ノードに伝播させることができる。また、この場合、実エッジからの伝播については、グラフアテンションネットワークの規則とは異なる規則で情報を伝播させてもよい。

以上説明した少なくともひとつの実施形態によれば、複数の実ノードＲＮと、複数の実ノードＲＮのうち二つを接続する一以上の実エッジＲＥとを含むグラフ構造のデータ２０を取得するデータ取得部１０と、データ取得部１０により取得されたグラフ構造のデータ２０に基づいて、ニューラルネットワークにおいて、複数の実ノードＲＮおよび一以上の実エッジＲＥを含む複数の想定ノードＡＮのそれぞれの第ｋ−１層の特徴量を、少なくともそれぞれの想定ノードＡＮと接続関係にある他の想定ノードＡＮの第ｋ層の特徴量に伝播させる処理を実行するネットワーク処理部３０と（ｋは１以上の自然数）、を持つことにより、より幅広いニーズに対応することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１情報処理装置
１０データ取得部
２０グラフ構造のデータ
３０ネットワーク処理部
３２実ノード・実エッジ隣接関係抽出部
３４種別設定部
３６想定ノードメタグラフ化部
４０メタグラフコンボリューション部
５０想定ノード特徴量
６０出力部

Claims

複数の実ノードと、前記複数の実ノードのうち二つを接続する一以上の実エッジとを含むグラフ構造のデータを取得するデータ取得部と、
前記データ取得部により取得されたグラフ構造のデータに基づいて、前記複数の実ノードと前記一以上の実エッジとをそれぞれ区別できる想定ノードとし、前記複数の想定ノードの特徴量を伝播させるニューラルネットワークを設定し、前記複数の想定ノードのそれぞれの第ｋ−１層の特徴量を、少なくとも前記それぞれの想定ノードと接続関係にある他の想定ノードの第ｋ層の特徴量に伝播させる処理を実行するネットワーク処理部と（ｋは１以上の自然数）、
を備える情報処理装置。
前記ネットワーク処理部は、前記複数の想定ノードのそれぞれの第ｋ−１層の特徴量を、前記それぞれの想定ノード自身の第ｋ層の特徴量にも伝播させる、
請求項１記載の情報処理装置。
前記ネットワーク処理部は、前記想定ノードの種別を複数の種別の中から設定し、前記設定した想定ノードの種別ごとに、前記特徴量を伝播させる際の係数を設定する規則を異ならせる、
請求項１または２記載の情報処理装置。
前記ネットワーク処理部は、前記特徴量を伝播させる際の係数の少なくとも一部を、グラフアテンションネットワークに基づく規則で設定する、
請求項１から３のうちいずれか１項記載の情報処理装置。
前記ネットワーク処理部は、伝播元の想定ノードの特徴量と、伝播先の想定ノードの特徴量とにそれぞれ作用させる伝播行列を、伝播元の前記想定ノードの種別に応じて設定する、
請求項４記載の情報処理装置。
コンピュータが、
複数の実ノードと、前記複数の実ノードのうち二つを接続する一以上の実エッジとを含むグラフ構造のデータを取得し、
前記取得したグラフ構造のデータに基づいて、前記複数の実ノードと前記一以上の実エッジとをそれぞれ区別できる想定ノードとし、前記複数の想定ノードの特徴量を伝播させるニューラルネットワークを設定し、前記複数の想定ノードのそれぞれの第ｋ−１層の特徴量を、少なくとも前記それぞれの想定ノードと接続関係にある他の想定ノードの第ｋ層の特徴量に伝播させる処理を実行する（ｋは１以上の自然数）、
情報処理方法。
コンピュータに、
複数の実ノードと、前記複数の実ノードのうち二つを接続する一以上の実エッジとを含むグラフ構造のデータを取得させ、
前記取得したグラフ構造のデータに基づいて、前記複数の実ノードと前記一以上の実エッジとをそれぞれ区別できる想定ノードとし、前記複数の想定ノードの特徴量を伝播させるニューラルネットワークを設定し、前記複数の想定ノードのそれぞれの第ｋ−１層の特徴量を、少なくとも前記それぞれの想定ノードと接続関係にある他の想定ノードの第ｋ層の特徴量に伝播させる処理を実行させる（ｋは１以上の自然数）、
プログラム。