グラフニューラルネットワークとは？

画像解析で99%以上の精度を誇るCNN（畳み込みニューラルネットワーク）や、高度な自然言語処理を実現するTransformerであっても、SNSの交友関係や化合物の分子構造といった非構造化データを直接処理することは困難です。これらは規則的な格子（グリッド）構造を持たない「グラフ構造データ」であり、ノード間の接続関係が動的かつ不規則に変化するためです。この非ユークリッド空間における接続関係を数理的にモデル化し、表現学習を可能にするフレームワークがグラフニューラルネットワーク（GNN）です。

従来のニューラルネットワークがグラフ構造データを扱えない理由とGNNの基本定義

画像データ（2Dグリッド）やテキストデータ（1Dシーケンス）は、空間的に規則正しいグリッド構造を有しています。CNN（畳み込みニューラルネットワーク）は、この「局所的な規則性」と「空間的普遍性」を前提に、固定サイズのカーネル（フィルタ）をスライドさせることで効率的な特徴抽出を実現します。しかし、実世界のデータの多くは、SNSの交友関係、化合物の原子結合、あるいはECサイトにおける「ユーザーと商品」のインタラクションのように、ノード同士が不規則に結びついた「グラフ構造（非ユークリッド空間）データ」です。このような自由度の高いトポロジーを持つデータに対して、従来のCNNやRNNを直接適用することは困難です。

グリッドデータとグラフデータのトポロジー的差異

グリッドデータとグラフデータの間には、数学的・幾何学的なトポロジーの決定的な違いが存在します。画像の場合、任意のピクセル（ノードに相当）は、周囲の8つのピクセルと常に一定の幾何学的関係で隣接しています。そのため、固定された受容野を持つCNNのカーネルが機能します。これに対し、グラフデータでは各ノードが持つ隣接ノード（次数）の数が不均一です。例えば、あるノードは1つしかリンクを持たない一方で、別のノードは数万ものリンクを持つ場合があります。このように、接続関係が動的かつ不規則であるため、固定形状のカーネルをスライドさせるというアプローチそのものが破綻します。

また、グラフデータを従来のニューラルネットワークに入力しようとする際、最も単純な方法として「隣接行列（Adjacency Matrix）」を多層パーセプトロン（MLP）に入力することが考えられます。しかし、このアプローチには以下の構造的制約が生じます。

• 並び替え不変性（Permutation Invariance）の欠如：
  グラフを表現する際、ノードに付与するインデックス（1, 2, … , N）の順番は本質的に任意です。ノードの順序を入れ替えても、グラフとしての構造（トポロジー）は完全に同一です。しかし、隣接行列の行と列の順序を入れ替えると、行列としての数値配列は変化します。従来のMLPは、入力ベクトルの要素位置が固定されていることを前提とするため、同一のグラフであっても、ノードの並び順（表現の順序）が変わるだけで全く異なるグラフとして認識してしまいます。数学的に、GNNは「並び替え不変性」または「並び替え同変性（Permutation Equivariance）」を満たす設計が必要となります。
• グラフ同型性（Isomorphism）の判定限界：
  2つのグラフが同じ構造（同型）であるかどうかを判定する問題は、計算複雑性理論において「グラフ同型性問題」として知られています。従来の隣接行列を用いた単純なNNでは、局所的な接続パターンを適切に集約できず、異なるトポロジーを持つグラフを同一のものと誤認する、あるいは同型のグラフを異なると判定する限界があります。

この表現上の制限を回避するため、グラフデータを扱う数理モデルでは、ノードの並び順に依存しないテンソル表現（座標形式：COO形式など）を用いてグラフ構造を保持します。さらに、無理に層を深くして隣接情報の伝播（畳み込み）を繰り返そうとすると、すべてのノードの表現（特徴量ベクトル）が急速に平均化され、互いに区別がつかなくなる「Over-smoothing」という現象が発生します。これにより、多層化したモデルの表現力がかえって低下するという固有の課題も存在します。これらのトポロジー的差異と学習上のボトルネックを解消するために設計されたのが、グラフ畳み込みネットワーク (GCN)やグラフアテンションネットワーク (GAT)などの「GNN」のアーキテクチャです。

グラフ表現を構成する3つの要素：ノード・エッジ・グローバル

GNNを正しく理解し実装するためには、グラフを構成する抽象的な要素と、それぞれが持つ特徴量を整理する必要があります。グラフデータは主に、実体を示す「ノード（点）」、関係性を示す「エッジ（辺）」、そしてグラフ全体を包括する「グローバル（コンテキスト）」の3つの要素で構成されます。それぞれのコンテキストが保持する属性の具体例は以下の通りです。

要素名	数学的表記	保持する特徴量の例	創薬（分子構造）における具体例
ノード (Node)	V (Vertex)	ID、カテゴリ、個別の属性値	原子の種類（炭素、酸素など）、帯電量、混成軌道
エッジ (Edge)	E (Edge)	接続有無、関係の種類、接続の重み（強さ）	化学結合の種類（単結合、二重結合、芳香環結合など）
グローバル (Global)	U (Context)	グラフ全体の統計量、環境変数	分子全体の物性（水溶性、毒性指標、総分子量など）

これら3つの要素が相互に特徴量を送り合い、各要素の状態を段階的にアップデートしていくプロセスをMessage Passing（メッセージパッシング）と呼びます。メッセージパッシングの過程で、隣接ノードからの寄与をどのように集約（Aggregate）するかによって、モデルの特性が変化します。周囲のノード情報を次数に基づいて平均化して足し合わせるのが「GCN」であり、隣接ノードとの相関度合いに応じて動的にアテンション重みを適用するのが「GAT」です。これらの特性を使い分けることで、ノード分類、エッジ予測（リンク予測）、グラフ全体の特性予測といった実用的なタスクに対応します。

GNNの基盤技術「Message Passing（メッセージパッシング）」の数理的仕組み

GNNにおいて、非構造的なグラフデータを処理するための根幹技術が、Message Passing（メッセージパッシング）です。これは、各ノードが接続された隣接ノードから情報を「メッセージ」として受信し、自身の状態を順次更新していく分散型の計算処理を指します。メッセージパッシングにより、ノード間の接続関係（トポロジー）を反映した特徴表現の獲得が可能になります。

情報集約（Aggregate）と状態更新（Update）の数理プロセス

メッセージパッシングの数理プロセスは、各レイヤー（層）において、「情報集約（Aggregate）」と「状態更新（Update）」という2つのステップを繰り返すことで定義されます。ノード $v$ の $k$ 層目における隠れ状態ベクトルを $h_v^{(k)}$ と表したとき、その計算手順は以下の通りです。

• 1. 情報集約（Aggregate）
  ノード $v$ に隣接するノードの集合を $N(v)$ とします。この近傍ノード群から得られる前層の表現 $h_u^{(k-1)}$（$u \in N(v)$）を集約関数に入力し、1つのコンテキストベクトル $a_v^{(k)}$ を生成します。
  
  $$a_v^{(k)} = \text{AGGREGATE}^{(k)} \left( \{ h_u^{(k-1)} : u \in N(v) \} \right)$$
  
  この集約関数は、ノードの接続順序に依存しない「置換不変性（Permutation Invariance）」を満たす必要があり、平均値（Mean）、最大値（Max）、総和（Sum）などが採用されます。
• 2. 状態更新（Update）
  集約された近傍情報 $a_v^{(k)}$ と、ノード $v$ 自身の前層における表現 $h_v^{(k-1)}$ を組み合わせ、新たな表現 $h_v^{(k)}$ を計算します。
  
  $$h_v^{(k)} = \text{UPDATE}^{(k)} \left( h_v^{(k-1)}, a_v^{(k)} \right)$$
  
  一般的には、これらの結合ベクトルに対して重み行列 $W^{(k)}$ を用いた線形変換を施し、非線形活性化関数（ReLUなど）を適用します。

この処理全体を効率的に計算する際、グラフの接続関係を示す隣接行列を用いた行列演算へと定式化されます。例えば、GCNでは隣接行列に自己ループを加えた上で次数行列によって正規化し、線形変換を一括して行うことで、効率的なメッセージパッシングを実現しています。

しかし、メッセージパッシングを何層も重ねると、すべてのノードの表現が酷似してしまい、分類精度が著しく低下するOver-smoothing（過度な平滑化）が発生します。数万ノード規模の実データ（ソーシャルネットワークや大規模グラフ）を扱う際は、2〜3層程度の浅いネットワーク設計にするか、残差接続（Residual Connection）やDropEdgeといった手法を導入して過度な平滑化を防ぐ設計を施す必要があります。

空間領域（Spatial）アプローチと周波数領域（Spectral）アプローチの決定的な違い

GNNの畳み込み演算を定義するアプローチは、理論的源流の違いによって「空間領域（Spatial）アプローチ」と「周波数領域（Spectral）アプローチ」の2つに大別されます。

周波数領域アプローチは、グラフ信号処理の数理モデルに源流を持ち、グラフ・ラプラシアン行列の固有値分解を通じて定義される「グラフフーリエ変換」を介して畳み込みを定義します。初期のGCNは、この周波数領域における畳み込み演算を1次近似（チェビシェフ多項式の切り捨て）によって簡略化し、空間領域のメッセージパッシングとして再定義できるようにした技術です。一方、空間領域アプローチは、フーリエ変換を介さず、グラフのトポロジーに沿って直接近傍ノードから情報を集約する、直感的なメッセージパッシングの手法です。

アプローチ	理論的源流	主なメリット	課題・制約
空間領域（Spatial）	近傍ノード間の局所的なメッセージパッシング	計算効率が高く、数百万ノード規模の巨大なグラフにスケール可能。	理論的なフィルタ解析や周波数特性の制御が困難。
周波数領域（Spectral）	グラフ・ラプラシアンの固有値分解とグラフフーリエ変換	数学的に厳密な畳み込みフィルタの設計が可能。	固有値分解の計算コストが高く（$O(N^3)$）、グラフ構造の変化時に再計算が必要。

現在の実務（推薦エンジン開発やバイオインフォマティクスなど）においては、ほぼすべての実用的システムで空間領域アプローチが採用されています。周波数領域アプローチはグラフ構造が変化するたびにフィルタを再学習しなければならず、ユーザーやコンテンツが動的に追加される現実のWebサービスでは計算コストの制約から適用が困難であるためです。対して空間領域アプローチは、未知のグラフ構造に対しても帰納学習（Inductive Learning）が可能であるため、実ビジネスの現場での導入において強力な選択肢となっています。

代表的なGNNモデルのアーキテクチャ比較：GCNとGATの構造的特徴

Message Passingの思想を具現化した代表的な2つのアルゴリズムが、グラフ畳み込みネットワーク (GCN)とグラフアテンションネットワーク (GAT)です。両者は、隣接ノードの特徴量を集約（Aggregation）する際の「重み付け」の数理において明確なアプローチの違いを持っています。

GCN（Graph Convolutional Networks）の数理モデルと限界

GCNは、画像領域における畳み込み演算をグラフ構造へ拡張したモデルであり、グラフのトポロジー（接続関係）を表現する隣接行列をベースに数理が構築されています。GCNにおけるレイヤー $l$ から $l+1$ へのノード特徴行列 $H$ の更新式は、以下のように定義されます。

$$H^{(l+1)} = \sigma \left( \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2} H^{(l)} W^{(l)} \right)$$

ここで、$\tilde{A} = A + I_N$ は自己ループ（自分自身の情報）を考慮するために、元の隣接行列 $A$ に単位行列 $I_N$ を加えたものです。$\tilde{D}$ は $\tilde{A}$ の次数行列であり、$\sigma$ は活性化関数（ReLUなど）、$W^{(l)}$ は学習対象のパラメータ（重み行列）を指します。

この数理モデルの核心は、左乗算されている対称正規化行列 $\tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2}$ にあります。この演算によって各ノードは、「自身および隣接ノードの次数（接続数）」のみに依存した固定の比率で特徴量を平均化（畳み込み）します。つまり、集約されるメッセージの重みはグラフの接続構造によって静的に一意決定され、ノードが持つ特徴量の中身（コンテンツ）は一切考慮されません。

この「トポロジーのみに依存した一様な集約」は、GCNの致命的な限界であるOver-smoothing（過度な平滑化）を引き起こす原因になります。層を深く重ねる（一般に4層以上）と、ノード間の特徴表現がグラフ全体の平均値へと収束し、すべてのノードが同じような特徴量を持ってしまう現象です。実際に、標準的なベンチマークデータセット「Cora」を用いたノード分類タスクにおいて、GCNの層数を2層から8層に増やすと、分類精度が約80%から30%台へと急激に低下することが、GNNの挙動分析論文（Li et al., 2018 “Deeper Insights into Graph Convolutional Networks”）において実証されています。これが、トポロジーが複雑で多層の集約を必要とする実務上のユースケースにおいて、GCNの適用を阻む大きな障壁となっています。

GAT（Graph Attention Networks）における動的アテンション機構

GCNにおける静的な重み付けとOver-smoothing問題を解決するために開発されたのが、グラフアテンションネットワーク (GAT)です。GATは、隣接行列の構造に盲目的に従うのではなく、ノードの特徴量（データの実態）に応じて、Message Passingの結合強度を動的に制御する「Self-Attention（自己アテンション）機構」を導入しています。

GATにおけるノード $i$ とその隣接ノード $j$ 間のアテンション係数 $\alpha_{ij}$ は、以下の数式で算出されます。

$$\alpha_{ij} = \frac{\exp\left(\text{LeakyReLU}\left(\mathbf{a}^T \left[ W\mathbf{h}_i \parallel W\mathbf{h}_j \right]\right)\right)}{\sum_{k \in \mathcal{N}_i} \exp\left(\text{LeakyReLU}\left(\mathbf{a}^T \left[ W\mathbf{h}_i \parallel W\mathbf{h}_k \right]\right)\right)}$$

ここで、$\mathbf{h}_i$ および $\mathbf{h}_j$ はノードの特徴ベクトル、$W$ は学習可能な線形変換行列、$\mathbf{a}$ はアテンション機構のパラメータベクトル、$\parallel$ はベクトルの結合（Concatenation）を示します。$\mathcal{N}_i$ はノード $i$ の近傍集合（自身を含む）であり、ソフトマックス関数によって近傍全体での総和が1になるよう正規化されます。

この動的に決定されたアテンション係数 $\alpha_{ij}$ を用いて、次のレイヤーの特徴ベクトル $\mathbf{h}_i^{(l+1)}$ が以下のように更新されます。

$$\mathbf{h}_i^{(l+1)} = \sigma \left( \sum_{j \in \mathcal{N}_i} \alpha_{ij} W\mathbf{h}_j^{(l)} \right)$$

GATの最大の特徴は、隣接ノードの「トポロジー上の接続」だけでなく、「特徴量としての重要度」を評価して情報を集約する点にあります。例えば、ECサイトにおけるユーザー（ノード）と商品（ノード）の関係性を分析するケースにおいて、ユーザーの過去の行動履歴（接続）の中から、現在の推薦に本当に役立つ特定のカテゴリの商品特徴量だけに高いアテンション重みを割り当て、ノイズとなる不要な接続情報をシャットアウトすることが可能になります。これにより、GATは情報の一様な平滑化を防ぎ、Over-smoothing問題に対して高い耐性を発揮します。

比較項目	GCN（グラフ畳み込みネットワーク）	GAT（グラフアテンションネットワーク）
重みの決定方法	隣接行列と次数行列による静的・固定の重み	Self-Attention機構による動的な重み
過度な平滑化（Over-smoothing）耐性	低い（多層化すると特徴が急速に均一化する）	高い（アテンションによる選択的集約が可能）
計算複雑度（メモリ消費）	低い（トポロジーのみに依存するため高速）	高い（エッジごとの動的アテンション計算が必要）

【実在事例】ビジネスおよび先端科学研究におけるGNNの社会実装シナリオ

GNNは、従来のディープラーニングモデルでは扱いが困難だった非グリッド型の構造データに対して、極めて高い予測・表現能力を発揮します。実ビジネスや科学のフロンティアにおいて、GNNがどのようにデータをモデリングし、社会実装されているかについて具体的な事例を示します。

推薦エンジンにおける大規模グラフ処理（Pinterest「PinSage」の事例）

画像共有プラットフォームを運営するPinterestは、数億人のユーザーが投稿した数十億個のコンテンツ（Pin）を処理するために、大規模グラフ向けのGNNアルゴリズム「PinSage」を自社システムに組み込んでいます。

Pinterestにおけるデータ表現は、以下のようにノードとエッジが定義された「二部グラフ」構造となっています。

• ノード：Pin（画像、Webリンク、テキストなどのコンテンツ）と、ユーザーが作成したコレクションである「Board（ボード）」の2種類。
• エッジ：特定のPinが特定のBoardに保存された（Pinされた）という関係性。

この規模の超巨大なグラフでは、全ノード間の接続関係を示す隣接行列をそのままメモリ上に展開して処理することは困難です。そこでPinSageは、局所的なグラフからランダムウォークによって重要度の高い近傍ノードを動的にサンプリングし、その近傍特徴量を集約するメッセージパッシングプロセスを実装しました。

Pinterestが発表したKDD論文（「Graph Convolutional Neural Networks for Web-Scale Recommender Systems」）によると、PinSageの導入によって、従来の協調フィルタリングやコンテンツのテキスト・画像特徴のみを用いたアプローチと比較して、関連ピンの推奨におけるクリック率（CTR）が約15%向上しました。1つの巨大なグラフを処理するための効率的な分散トレーニングおよびサンプリングエンジンの設計は、大規模GNN運用の標準モデルとなっています。

創薬・ライフサイエンスにおける分子構造と物性予測（AI創薬への応用）

ライフサイエンス分野において、化合物はもっとも自然なグラフ構造の1つです。GNNを活用することで、新規の化合物（分子）が特定の標的タンパク質と結合するか、あるいはどのような毒性や物性を持つかを高速にシミュレーションできます。

分子データにおける定義は以下の通りです。

• ノード：炭素（C）、酸素（O）、窒素（N）などの原子。初期特徴量として、原子番号、原子価、電荷などの属性ベクトルを保持します。
• エッジ：単結合、二重結合、芳香環などの化学結合。結合の種類や原子間の物理的距離が、エッジの属性として表現されます。

分子グラフの解析では、基本的なGCNのほか、結合の種類や化学的な相互作用に応じて周辺原子の重要度に重み付けをするGATが多用されます。これらのモデルを用いることで、分子の3次元的な回転や平行移動に対する不変性を維持したまま、高精度な物性予測が可能になります。

MITの研究グループがCell誌で発表した論文（「A Deep Learning Approach to Antibiotic Discovery」）では、GNNの予測モデルを用いて約6,000の化合物ライブラリから探索を行い、既存の抗生物質とは全く異なる分子構造を持つ「Halicin（ハリシン）」が強力な抗菌活性を示すことを発見しました。さらに、Google DeepMindが開発した「AlphaFold2」およびその後継モデルでも、アミノ酸や原子の接続関係をグラフ構造として入力し、タンパク質の3次元構造予測に高度なGNNを組み込んでいます。

金融・決済プラットフォームにおける不正アカウント・トランザクション検知

銀行や決済プラットフォームにおける不正送金、マネーロンダリング（資金洗浄）、アカウントの乗っ取りは、単一のアカウントや単一のトランザクションを監視するだけでは検知が困難です。犯罪グループは複数のダミー口座を巧みに経由させて資金移動を行うためです。これに対し、ネットワーク全体のつながりを捉えるGNNが強力な解決策として採用されています。

この領域におけるデータ表現は、関係性が複数にわたるヘテロジニアスグラフとして構築されます。

• ノード：ユーザー（アカウント）、銀行口座、使用されたデバイスID、IPアドレス、電話番号など。
• エッジ：「送金した」「同じデバイスからログインした」「同じIPアドレスからアクセスした」といった多様なアクション・関係。

中国のFinTech企業Ant Group（アリペイの運営母体）は、数億人規模の取引ネットワークにおける不正行為をリアルタイムで検知するために、独自のGNNシステムを運用しています。各ノードからメッセージパッシングを通じて「不審なデバイスと紐づいているアカウント」「送金ルートがループしている不自然な関係」といった高次な構造特徴量を抽出し、不正検知分類器に入力します。

Ant Groupの発表によると、従来の決定木ベース（GBDT等）のモデルと比較して、GNNを導入したことで、偽装された「マネーロンダリング環（不審な資金循環ルート）」の検出精度（AUC）が向上し、巨額の不正取引を未然に防ぐ成果を挙げています。

【早見表】分野別GNNの実装データ表現とビジネス・科学的成果

適用分野	ノードの定義	エッジの定義	主なビジネス・科学的成果
推薦エンジン（Pinterest）	Pin、Board	保存アクション（二部グラフ）	関連ピンのクリック率（CTR）が約15%向上。
AI創薬（MIT / DeepMind）	原子（炭素、酸素など）	化学結合（結合距離、結合種）	新規抗菌活性分子「Halicin」の発見、タンパク質構造予測の高度化。
不正検知（Ant Group）	ユーザー、口座、デバイス、IP	送金、同一ログインなどの関係	複雑なマネーロンダリングルートの検知精度（AUC）向上、不正被害の未然防止。

プロジェクトへのGNN導入判断基準と実装に向けた技術選定チェックリスト

GNNの導入可否を適切に判断し、スムーズな実装へと移行するためには、自社のビジネス課題と保有データが「どのようなグラフ構造として定義できるか」を明確にする必要があります。GNNの導入を成功に導くためのタスク設計、最適なフレームワークの選定、そして具体的なデータパイプラインの構築手順を解説します。

タスク設計：ノード分類・リンク予測・グラフ分類のどれを解くべきか

解きたいビジネス課題に応じて、GNNモデルの設計は大きく以下の3つのタスクにマッピングされます。

1. ノード分類（Node Classification）
   グラフ内の特定のノードのカテゴリや属性を予測するタスクです。例えば、1日あたりのアクティブユーザー（DAU）が100万人を超える規模のSNSプラットフォームにおいて、少数のスパムアカウント（ラベルあり）の行動パターンとフォロー関係のグラフ構造から、他の未ラベルのアカウントがスパムである確率を予測するケースが該当します。代表的な手法であるGCNを用いて、隣接するアカウントの分散表現を集約し、ノードごとの分類を行います。
2. リンク予測（Link Prediction / エッジ予測）
   2つのノード間にエッジ（関係性）が存在するか、あるいは将来的に形成されるかを予測するタスクです。レコメンデーションエンジン（ユーザーと商品の2部グラフ）がこの典型であり、ユーザーノードと商品ノードの間の「購入」「閲覧」というエッジの有無を予測します。周辺ノードへの重要度を動的に重み付けするGATなどを活用することで、ユーザーの動的なコンテキストを反映した推薦が可能になります。
3. グラフ分類（Graph Classification）
   個々のノードではなく、グラフ全体（ネットワーク全体）がどのクラスに属するか、あるいはどのような物性値を持つかを予測するタスクです。数千から数万種類の化合物ライブラリから特定の標的タンパク質に結合する候補（活性化合物）を特定する「創薬スクリーニング」において標準的に使用されます。分子構造を一つのグラフとして捉え、グラフ全体の情報を集約（Pooling）して予測を行います。

フレームワーク比較：PyTorch Geometric（PyG）vs Deep Graph Library（DGL）

GNNの実装を進める上で、主要な開発環境となるのが「PyTorch Geometric (PyG)」と「Deep Graph Library (DGL)」です。これら2大フレームワークは、メモリ効率、分散処理能力、およびコミュニティにおけるサポート状況において異なる特徴を持っています。

評価項目	PyTorch Geometric (PyG)	Deep Graph Library (DGL)	選定の基準
開発思想と統合環境	PyTorchと完全にシームレスな統合。PyTorch Tensorの操作感をそのまま継承している。	バックエンド非依存（PyTorch, TensorFlow, MXNetに対応）。AWS主ど導の開発。	既存の社内コードやパイプラインがPyTorchベースであればPyGがファーストチョイス。
大規模処理とスケーラビリティ	疎行列（Sparse Tensor）演算に強みがあり、小〜中規模（数百万ノード以下）で非常に高速。	大規模グラフ用のサンプリング（Neighbor Sampling）やマルチGPU・分散処理が強力。	億単位のノードを扱う大規模なソーシャルグラフや金融トランザクションの解析にはDGL。
モデル実装数とコミュニティ	オープンソースの最新論文（GCN、GATなど）の公式・サードパーティ実装が最多。	産業界のユースケース（DGL-LifeSciなど）に向けたドメイン特化型ライブラリが充実。	最新手法の検証やR&D中心ならPyG。バイオ・ライフサイエンス系や製品化前提ならDGL。

データパイプライン構築：隣接リストと特徴量行列の初期設計ステップ

従来の2次元の表データ（テーブルデータ）を、GNNが扱えるテンソル形式へ変換する処理フローは以下の3ステップで構築します。

• ステップ1：COO形式による隣接リスト（Edge Index）の作成
  ノード間のつながりを表す際、ノード数Nに対してN×Nの隣接行列をそのままメモリ上に展開すると、大規模データ（例：ノード数10万以上）ではメモリ不足（OOM: Out of Memory）を引き起こします。そのため、エッジが存在する箇所のみをインデックスのペアで表す「COO（Coordinate）形式」の隣接リストを構築します。
  PyTorch Geometricにおいては、[2, エッジ数]の形状を持つLongTensor（edge_index）として定義します。無向グラフ（双方向の関係性）として扱う場合は、[source, target]と[target, source]の双方向のエッジを明示的に配列に格納する必要があります。
• ステップ2：ノード特徴量行列（Node Feature Matrix）の定義
  各ノードの初期情報を表すテンソル x を構築します（形状は [ノード数, 特徴量の次元数]）。
  ユーザーノードであれば、ユーザーの登録情報、過去30日間のセッション数などの構造化数値を正規化したベクトル、あるいはLLM（大規模言語モデル）を用いてユーザーのプロファイル文を埋め込んだ多次元ベクトル（例：768次元）を使用します。ノード固有の属性データが存在しない場合は、ノードの次数（隣接するエッジ数）や、固定のプレースホルダーベクトルを初期値として割り当てます。
• ステップ3：データローダーの作成とフォワードパスの検証
  構築した edge_index と x を、PyGの torch_geometric.data.Data オブジェクトにラップします。
  まずは、バッチ処理を行わないフルグラフでのシンプルな2層のGCN（GCNConv）を定義し、フォワードパス（順伝播）を通してテンソルの形状エラーが出ないかテストします。これにより、Message Passingによる周辺情報の集約が数理的に正しく実行されることを担保した上で、学習ループの構築へと進みます。

よくある質問（FAQ）