ZOZOグループの研究開発組織であるZOZO研究所は、人工知能分野のトップカンファレンス「AAAI-26」のOral Talksで、新しい技術「Co-Sparsify」に関する論文が採択されたことを発表しました。この研究は、高性能なAIモデルの「賢さ」と「計算の速さ」という、これまで両立が難しかった二つの課題を解決するものです。
AIの賢さと計算の課題
現代のAI技術の一つに「GNN（Graph Neural Network：グラフニューラルネットワーク）」というものがあります。これは、人間関係図や分子構造のように「つながり」を持つデータを分析するAIです。例えば、友達のつながりからおすすめの商品を見つけたり、化学物質の構造から新しい薬を開発したりするのに役立ちます。
GNNは非常に便利ですが、もっと複雑なつながりを見つけたい場合、「高次GNN（HOGNNs）」と呼ばれる、より賢いAIが必要になります。中でも「2-FWL GNNs」は特に高性能ですが、その賢さゆえに計算にかかる手間が非常に大きく、たくさんのデータを扱うのが難しいという課題がありました。これが、「AIの賢さ（表現力）」と「計算の速さ（計算効率）」を両立させるという長年の大きな課題だったのです。
新技術「Co-Sparsify」とは
ZOZO研究所の研究グループが提案する新技術「Co-Sparsify」は、この課題を解決する画期的な方法です。この技術は、2-FWL GNNsの持つ高い賢さをそのままに、計算にかかる手間を大幅に減らすことを目指しています。
「Co-Sparsify」の考え方は、「必要な部分だけ計算する」というものです。これまでの2-FWL GNNsでは、例えば「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、これらの関係が本当に重要になるのは、ノード同士のつながりが特に強い「二重連結成分」と呼ばれる特定の領域に限られることが数学的に解き明かされました。
そこで「Co-Sparsify」では、2つのノードの関係は同じつながりの中に、3つのノードの関係は同じ二重連結成分の中だけに限定して計算を行います。これにより、不要な計算を大幅に減らし、AIが賢くありながらも効率的に動くことを可能にしました。
期待される効果と今後の展望
この新しい方法によって、従来のモデルで必要とされていた計算量が大きく削減されました。例えば、分子を解析するデータを使った評価では、AIの賢さを保ったまま、処理にかかる時間が最大60%、使うメモリの量が最大52%も減らせることが確認されています。さらに、この技術はAIの賢さを理論的に保証しつつ、実験によってはさらに精度が良くなるケースも見られました。
「Co-Sparsify」のように、「本当に必要な部分にだけ注目して計算を最適化する」というアプローチは、今後のAIモデルがもっと大きく、複雑なデータを扱えるようになる可能性を秘めています。特に、AIが深い層で情報を詰め込みすぎてしまう「オーバー・スクワッシング」という問題の解決にも役立ち、AIがより汎用的に使えるようになることが期待されます。将来的には、さらに高次なAIモデルにもこの考え方が応用され、これまで難しかった大規模で複雑なデータセットにも高性能なAIが適用できるようになるかもしれません。
論文の概要
-
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
ZOZO研究所について
ZOZO研究所は、「ファッションを数値化する」ことをミッションに掲げ、ZOZOグループが持つファッションに関する膨大な情報を活用し、ファッションを科学的に解明するための研究開発を行っています。
-
所名: ZOZO研究所（ZOZO Research）
-
設立: 2018年1月31日
