초록
우리는 그래프 구조 데이터를 위한 새로운 모델인 확산-컨벌루션 신경망(DCNNs, Diffusion-Convolutional Neural Networks)을 제시합니다. 확산-컨벌루션 연산의 도입을 통해 그래프 구조 데이터에서 확산 기반 표현을 학습하고 이를 노드 분류에 효과적인 기초로 사용하는 방법을 설명합니다. DCNNs는 여러 가지 매력적인 특성을 가지고 있습니다. 이 중에는 그래프 데이터의 동형 불변 잠재 표현과, 텐서 연산으로 표현될 수 있으며 GPU에서 효율적으로 구현할 수 있는 다항 시간 예측 및 학습이 포함됩니다. 실제 구조화된 데이터셋을 사용한 여러 실험을 통해 DCNNs가 관계적 노드 분류 작업에서 확률적 관계 모델과 그래프 상의 커널 방법보다 우수한 성능을 보일 수 있음을 입증하였습니다.