# グラフニューラルネットワーク（GNN） ノードとエッジで構成されるグラフ構造データに対するニューラルネットワーク。グラフの対称性（ノードの並べ替え不変性）を自然に扱えることが特徴。 ## 基本概念 **メッセージパッシング**: GNN の基本操作。各ノードは近傍ノードからメッセージを集約して自身の表現を更新する。L 層の GNN は L ホップ先まで情報を集約できる。[[メッセージパッシングニューラルネットワーク]]は、この操作をメッセージ関数$M$、更新関数$U$、グラフ読み出し関数$R$へ分解し、複数の既存GNNを同じ形式で記述する。(Source: [[@2026__30papers__Neural Message Passing for Quantum Chemistry]]) **WL 検査 (Weisfeiler-Leman test)**: GNN の表現能力の古典的な上界。標準的なメッセージパッシング GNN は 1-WL 検査と同じグラフ識別能力を持ち、1-WL が同一視するグラフは GNN も区別できない (Xu+ ICLR 2019)。最近は部分グラフ認識可能性による新しい分類へ移行中 (Zhang+ ICLR 2024)。 ## 主要な研究トピック | トピック | 状況 (2024年時点) | |---------|-----------------| | 解釈性 | 5 年以上ホット。ベクトル NN より一段難しく決定版なし | | [[GNN同変性]] | 分子・タンパク質・物理シミュレーションで活発。メタネットワークへの応用が新潮流 | | 表現能力 | WL 検査から部分グラフ認識可能性へ移行中 | | 頑健性 | 敵対的攻撃・防御で 6 年の歴史。成熟段階 | ## 主な応用分野 - **分子設計・創薬**: [[QM9]]の分子特性予測では、MPNNが2017年時点で手設計特徴を上回り、13特性中11特性でDFTラベル基準の化学精度へ到達した。その後は拡散モデルとの組み合わせによる生成や分子基盤モデル（Beaini+ ICLR 2024）へ拡大 - **タンパク質設計**: 三次元構造の対称性 (SE(3)-equivariance) を活用した生成モデル (RFDiffusion 等) - **物理シミュレーション**: Pfaff+ ICLR 2021 傑出論文賞以来、メッシュベース流体・固体シミュレーションで活発 - **時系列データ**: 生体センサー (EEG)・電子カルテ・仮想センシングなど医療応用が多い - **クラウドモニタリング**: DiRecGNN (Hussain+ FSE 2026) がメトリクス・ディメンション推薦に適用 - **マイクロサービス RCA(インスタンスレベル)**: MetricSage([[@2026__Elsevier__MicroIRC - Instance-level Root Cause Localization for Microservice Systems]])が時系列サンプリング点をノードとする独自グラフ構造で障害種別分類に適用 - **テレコムネットワークの KPI 予測ドリフト検出**: [[@2025__AWS Database Blog__Beyond Correlation - Finding Root-Causes using a network digital twin graph and agentic AI]]は Attention-based Spatio-Temporal GNN(AST-GNN)を用い、全ネットワークノードの結合トポロジー・時間パターンを学習して各 KPI の信頼帯付き予測を生成する。ライブ KPI が予測帯から外れると絶対値が正常範囲内でも偏差フラグを発火させ、明白な問題が現れる前段階でのプロアクティブな根本原因分析(ランブック 4)のトリガーとして使う ## ニューラルネットワークのメタ学習との接続 Kofinas+ ICLR 2024, Lim+ ICLR 2024 は MLP のニューロン並べ替え対称性 (パーミュテーション対称性) に着目し、GNN の同変性を利用してモデルパラメータ自体を入力とするメタネットワークを構築。順位相関係数 >= 0.9 でモデル性能を予測できる。[[モデルパラメータ算術]] との接続点。 ## 横断的知見 - **[[Relation Network]]は、グラフが未指定でも全対象対を完全有向グラフとして扱う単純なメッセージパッシングの特殊例とみなせる**: RNは各順序対に共有関数$g_\theta$を適用し、全エッジ表現を一度だけ加算してグローバル出力を作る。[[メッセージパッシングニューラルネットワーク]]が既知の近傍からノード表現を反復更新して最後に読み出すのに対し、RNは「辺が不明なら全対を候補にする」ことで構造入力を不要にする。その代償が$O(n^2)$の計算と、単一集約では多段伝播を明示しない点である。(Source: [[@2026__30papers__A Simple Neural Network Module for Relational Reasoning]] §2, §6, [[@2026__30papers__Neural Message Passing for Quantum Chemistry]] §2) - **MPNNによる共通形式化は、後続のGNN研究を「新しい名称」ではなく部品と帰納バイアスで比較する基準を与えた**: 2017年のMPNN論文は、当時の分子グラフ畳み込み、GG-NN、Interaction Network、ラプラシアン型手法などを$M$、$U$、$R$へ分解した。2024年の研究動向ではGNNコア技術は成熟し、同変性、分子基盤モデル、物理、時系列へ応用が拡大している。両者を合わせると、領域ごとの進歩は「メッセージにどの幾何・エッジ情報を入れるか」「どう更新・読み出すか」という共通軸で追跡できる。(Source: [[@2026__30papers__Neural Message Passing for Quantum Chemistry]], [[joisino-ICLR-2024-GNN]]) - **GNNの性能はモデル名だけでなく、何をノードとエッジにするかというグラフ構築に支配される**: QM9のMPNNでは原子をノード、結合と距離をエッジ特徴とし、水素を明示すると平均誤差比が0.98から0.68へ改善した。一方、MicroIRCのMetricSageは時刻サンプリング点をノード、時間順をエッジとする。同じ近傍集約でも、分子の幾何と運用時系列では対象化の単位が異なり、その選択自体が領域知識を埋め込む帰納バイアスになる。(Source: [[@2026__30papers__Neural Message Passing for Quantum Chemistry]], [[@2026__Elsevier__MicroIRC - Instance-level Root Cause Localization for Microservice Systems]]) - **RCA 文脈での GNN 応用は「時間軸をどうグラフに組み込むか」で分岐する——MetricSage は時刻点をノード化するのに対し、AST-GNN はノードをネットワーク要素に固定し予測の信頼帯からの逸脱を検知する**: MicroIRC の MetricSage(下記)が異常時間ウィンドウ内の時刻サンプリング点そのものをグラフノードとするのに対し、[[@2025__AWS Database Blog__Beyond Correlation - Finding Root-Causes using a network digital twin graph and agentic AI]]の AST-GNN はネットワークノード(ルーター・基地局等)を固定したグラフ上で時系列予測を行い、予測信頼帯との乖離を異常シグナルとする。前者は「時間を空間化してグラフ畳み込みに載せる」設計、後者は「空間トポロジー上で時間発展を予測しドリフトを検知する」設計であり、同じ GNN でも時間の扱い方(グラフのノードにするか、時系列予測モデルの入力構造にするか)が RCA の異なるフェーズ(根本原因特定 vs 予測的検知)に対応する。(Source: [[@2025__AWS Database Blog__Beyond Correlation - Finding Root-Causes using a network digital twin graph and agentic AI]], [[@2026__Elsevier__MicroIRC - Instance-level Root Cause Localization for Microservice Systems]]) - **時系列データに GNN を適用する際に「時刻点をノード、時系列順接続をエッジ」とする設計が RCA 文脈で有効**: MicroIRC の MetricSage は、異常時間ウィンドウ内の各時刻サンプリング点をグラフノードとし、時系列順にエッジで接続する。通常の時系列分析(LSTM・Transformer)とは異なり、グラフ畳み込みでノード間の時間的隣接性を利用することで、「異常時刻付近のメトリクス波形パターン」をグローバル(システム全体)とローカル(異常サービスと複数インスタンス間)の両方で学習できる。アブレーション実験で MetricSage なし構成に対して PR@1 +56.76% の改善を示した。(Source: [[@2026__Elsevier__MicroIRC - Instance-level Root Cause Localization for Microservice Systems]] §3.2.1, §4.6) ## 未解決の問い - MetricSage の「時刻点をノード」とする設計は、大規模システムで時間ウィンドウを長くするほどグラフサイズが増大する。グラフサイズとモデル精度のトレードオフはどのように最適化するか。 - グラフ畳み込みの隣接サンプリング数(MicroIRC では 10 が最良)の選択は、他のマイクロサービスシステムにも汎化するか。自動チューニング手法が必要か。 - RNの全対候補とGNNの既知近傍の中間として、学習した疎グラフを使う場合、重要な関係を落とさず計算量を線形近くへ抑える選択規則をどう学習するか。 - 小分子で学習したMPNNを大きな分子へ外挿するとき、距離分布、受信メッセージ数、伝播回数の変化へどう適応するか。 ## 関連ページ - [[GNN同変性]] — 対称性を保存するモデル設計 - [[モデルパラメータ算術]] — GNN で扱えるパラメータ空間の対称性 - [[Relation Network]] / [[関係推論]] — 全対象対を候補にする関係推論モジュール - [[メッセージパッシングニューラルネットワーク]] — メッセージ・更新・読み出しによるGNNの共通形式 - [[QM9]] — 分子特性予測ベンチマーク - [[マイクロサービスコールグラフ]] — クラウド AIOps での応用先 - [[グラフベースRCA]] — テレコムネットワークのグラフ RCA 全体像 ## 参照ソース - [[joisino-ICLR-2024-GNN]] — ICLR 2024 GNN 研究動向サーベイ (佐藤竜馬) - [[@2025__AWS Database Blog__Beyond Correlation - Finding Root-Causes using a network digital twin graph and agentic AI]] — AST-GNN によるテレコム KPI 予測ドリフト検知 - [[@2026__30papers__A Simple Neural Network Module for Relational Reasoning]] — 完全グラフ上の全対関係集約としてのRelation Network - [[@2026__30papers__Neural Message Passing for Quantum Chemistry]] — MPNNの共通形式とQM9での設計比較