GCNとは？隣の特徴を混ぜる——格子のないグラフにCNNの畳み込み発想を移植

Graph Convolutional Network（GCN）は、グラフ上の近傍ノードの特徴を集約して各ノードの表現を更新するニューラルネットワーク（GNN）です。CNNが画像の「上下左右の画素」を混ぜるのに対し、GCNはエッジでつながった隣人を混ぜる——本記事はスペクトル理論の細部より、「格子の畳み込みをグラフにどう写したか」に焦点を当てます。

なぜグラフ専用のNNが要るか

ユーザー同士のつながり、論文の引用関係、駅の路線網——こうしたデータは表や画像のように整列していません。ノード（頂点）とエッジ（辺）で関係だけが与えられ、隣接の数も相手もバラバラです。

通常の全結合ニューラルネットワークにそのまま入れると、誰と誰がつながっているかという構造情報が失われます。GNNはこの構造を保ったまま学習する家族で、GCNはその中でもシンプルで影響力の大きい基礎形です。

CNNとのたとえ

観点	CNN（画像）	GCN（グラフ）
データの形	格子状の画素グリッド	ノード・エッジのネットワーク
「近所」	上下左右の画素（TF-401）	エッジで直接つながった隣接ノード
演算のイメージ	フィルタで局所特徴を抽出	近傍特徴を重み付きで集約・混合
層を重ねると	受容野が広がる	ホップ数が増え、遠いノードの情報も間接的に届く

試験では「GCN＝CNN」と答えず、発想の共通点（局所集約）とデータ構造の違いをセットで覚えるのが安全です。

GCN層がやること

1層のGCNは、ざっくり次の流れです。

変換 — 各ノードの特徴ベクトルに学習可能な行列を掛ける
集約 — 隣接ノード（としばしば自分自身）の変換後特徴を足し合わせる
正規化 — ノードの次数（つながりの数）などでスケールを揃える
活性化 — 非線形関数を通して次の層へ渡す

重要なのは、近傍への重みがグラフ構造から決まる固定の係数である点です。誰が隣かはエッジで決まり、学習で変わるのは特徴の変換行列側——GATが後から「どの隣を強く見るか」まで学習する、という系譜の出発点と捉えると整理しやすいです。

タスク例：論文のジャンル分類（ノード分類）、薬物・分子の物性予測、推薦のユーザー・商品グラフ。いずれも関係の形が予測に効きます。

GAT・Transformerとの違い

名前	データ	集約の仕方
GCN	グラフ	構造に基づく固定の近傍集約
GAT	グラフ	学習した注意重みで近傍を集約
Transformer	系列	Self-Attentionで系列内を（実質）全結合
CNN	画像格子	畳み込みフィルタで局所抽出

G-295のAttentionは系列モデルの文脈で出題されます。GCNはAttentionそのものではなく、グラフ上のメッセージパッシング——近所から情報を受け取って更新する——という別の設計軸です。

試験で押さえるポイント

定義 — グラフ上で近傍集約するGNN。畳み込み的演算
データ — ノード・エッジ・特徴。画像格子や系列とは別
対比 — CNN＝格子、GCN＝グラフ、GAT＝注意付きグラフ集約
すり替え回避 — Transformer・RNN・物体検出モデルではない

演習で確認する

G検定：TF-401、TF-416、G-295、G-019

すり替えに注意

誤った説明	正しい理解
GCN＝CNN	発想は近いがデータ構造が異なる
GCN＝GAT	固定集約 vs 注意重み
GCN＝Transformer	グラフGNN vs 系列モデル
GCN＝RNN	グラフ近傍 vs 系列の時間方向
GCN＝畳み込みカーネル	モデル全体 vs 画像用のフィルタ部品

よくある質問

GCN（Graph Convolutional Network）とは何ですか？

グラフ上の各ノードが、エッジでつながった近傍ノードの特徴ベクトルを集約して自身の表現を更新するニューラルネットワークです。画像の格子に対するCNNの畳み込みと同様に「近所の情報を混ぜる」発想を、ノード・エッジ構造のデータに適用したGNNとして知られます。

GCNとCNNは同じですか？

同じではありません。CNNは画像のような規則的な格子状データにフィルタを適用し局所特徴を抽出します。GCNは友人関係や分子結合など、隣接関係が不規則なグラフデータで近傍を集約します。畳み込みの発想は通じますが、入力の形と演算の対象が異なります。

GCNとGATは同じですか？

同じではありません。どちらもグラフニューラルネットワークですが、GCNはグラフ構造に基づく固定の集約係数で近傍を混ぜるのに対し、GATは隣接ノードごとに学習した注意重みで集約します。近傍の重要度を動的に選ぶかどうかが大きな違いです。