DX wpmaster 2025年12月26日 0 コメント

ZOZO研究所がAIの新しい計算方法「Co-Sparsify」を発表

ZOZOグループの研究開発組織であるZOZO研究所は、人工知能分野で特に重要な国際会議の一つ「AAAI-26」のOral Talks（口頭発表）に、当所の研究員が書いた論文が選ばれたことを発表しました。

この論文は、「Connectivity-Guided Sparsification of 2-FWL GNNs: Preserving Full Expressivity with Improved Efficiency」（邦題：2-FWL GNNsにおける接続性誘導型スパース化：完全な表現力保持と計算効率向上）というタイトルで、高性能なグラフニューラルネットワーク（GNNs）の能力を保ちながら、計算にかかる手間を大幅に減らす新しい方法「Co-Sparsify」について提案しています。

GNNsの課題と新しい解決策

GNN（グラフニューラルネットワーク）というAI技術は、分子構造の解析やネットワークの分析など、もののつながり方を分析するさまざまな分野で使われています。しかし、普通のGNNでは、もっと複雑なつながりを見つけるのが難しいという限界がありました。

そこで、より複雑な構造を捉える能力が高い「高次GNN」というものが研究されてきましたが、これは計算にかかる時間が非常に長くなるという問題がありました。特に高性能な2-FWL GNNsでは、計算コストが急に増えるため、大きなデータに使うのが難しいという課題があったのです。

「Co-Sparsify」の仕組み

今回発表された「Co-Sparsify」は、2-FWL GNNsが持つ高い表現力（複雑な構造を理解する能力）を維持したまま、計算量を大きく減らす新しい仕組みです。この方法のポイントは、「グラフ構造の中で本当に必要な部分だけに計算を集中させる」という考え方です。

これまでの2-FWL GNNsでは、3つのノード（点）の関係をグラフ全体のあらゆる場所で計算していました。しかし、今回の研究で、これらの関係はノード同士が強く結びついている「二重連結成分」という特別な部分だけで十分だと数学的に証明されました。

「Co-Sparsify」は、この発見に基づいて、2つのノードの関係を同じつながりの中に、3つのノードの関係を同じ二重連結成分の中に限定することで、計算する範囲を最小限に抑えます。これにより、必要のない複雑な計算を大幅に減らすことができるようになりました。

性能の向上

この新しい方法によって、従来のモデルで必要だった計算量が大きく削減されました。例えば、分子解析のデータを使った評価では、計算の正確さを保ちながら、処理にかかる時間が最大で60%短縮され、使うメモリ（記憶装置）も最大で52%減らせることが確認されています。さらに、この方法は近似やサンプリングを使わないため、理論的には元の2-FWL GNNsと同じ能力を保証しつつ、実験によってはさらに正確さが上がることも分かりました。

今後の期待

今回の研究で示された「必要性に基づいて計算を最適化する」という考え方は、既存のGNNモデルの使いやすさを根本的に高める可能性があります。特に、深い層で情報が圧縮されすぎてしまう「オーバー・スクワッシング」という問題への応用は、GNNがより広い範囲で役立つようになることにつながると期待されています。

また、今回の2-FWLを超える、もっと複雑な高次モデルにもこの技術が応用できれば、これまで難しかった大規模で複雑なデータに対しても、高性能なGNNを使えるようになるでしょう。今後の研究によって、AIが物事を理解する力と計算の効率を同時に高める、新しいAIの設計が生まれることが期待されています。

論文について

タイトル：Connectivity-Guided Sparsification of 2-FWL GNNs: Preserving Full Expressivity with Improved Efficiency（邦題：2-FWL GNNsにおける接続性誘導型スパース化：完全な表現力保持と計算効率向上）
著者：マカオ大学/Rongqin Chen、ZOZO研究所/Fan Mo、マカオ大学/Pak Lon Ip、マカオ大学/Shenghui Zhang、中国科学院深圳先進技術研究院/Dan Wu、中国科学院深圳先進技術研究院/Ye Li、マカオ大学/Leong Hou U
論文URL：https://arxiv.org/pdf/2511.12838