초록
우리는 그래프 구조 데이터에 대한 반監督 학습을 위한 확장 가능한 접근 방식을 제시합니다. 이 접근 방식은 그래프 위에서 직접 작동하는 효율적인 컨볼루션 신경망의 변형을 기반으로 합니다. 우리는 스펙트럼 그래프 컨볼루션의 국소화된 1차 근사를 통해 우리의 컨볼루션 아키텍처 선택의 동기를 설명합니다. 우리의 모델은 그래프의 간선 수에 선형적으로 확장되며, 노드의 로컬 그래프 구조와 특성을 모두 인코딩하는 은닉층 표현을 학습합니다. 인용 네트워크와 지식 그래프 데이터셋에서 수행한 여러 실험을 통해 우리의 접근 방식이 관련 방법들보다 상당한 마진으로 우수함을 입증하였습니다.