2차원 합성곱 신경망을 이용한 그래프 분류

그래프 학습은 현재 그래프 커널에 의해 주도되고 있으며, 이는 강력하지만 몇 가지 중요한 제한점을 가지고 있습니다. 컨벌루션 신경망(CNNs)은 매우 매력적인 대안을 제공하지만, 그래프를 CNN으로 처리하는 것은 쉽지 않습니다. 이러한 도전 과제를 해결하기 위해 최근 많은 복잡한 CNN의 확장 방법이 소개되었습니다. 본 논문에서는 이 문제를 역으로 접근합니다: 새로운 그래프 CNN 모델을 제안하는 대신, 그래프를 다중 채널 이미지 구조로 표현하는 혁신적인 방법을 소개합니다. 이 방법은 기존의 2D CNN으로 처리할 수 있도록 합니다. 실험 결과, 제시된 방법은 6개의 실제 데이터셋 중 4개(연속 노드 속성이 있는 경우와 없는 경우 모두 포함)에서 최신 그래프 커널과 그래프 CNN보다 더 정확하며, 나머지 데이터셋에서도 유사한 성능을 보였습니다. 또한 제안된 접근 방식은 시간 복잡도 면에서 그래프 커널보다 우수합니다. 코드와 데이터는 공개적으로 이용 가능합니다.