그래프 구조의 데이터, 예를 들어 사회 네트워크, 기능적 뇌 네트워크, 유전자 조절 네트워크, 통신 네트워크 등은 그래프 영역으로 딥 러닝 기술을 일반화하는 관심을 불러일으켰습니다. 본 논문에서는 가변 길이를 가진 그래프에 대한 신경망을 설계하여 정점 분류, 그래프 분류, 그래프 회귀, 그래프 생성 작업 등의 학습 문제를 해결하고자 합니다. 대부분의 기존 연구는 그래프의 의미 있는 표현을 학습하기 위해 순환 신경망(RNNs)에 초점을 맞추었으며, 최근에는 새로운 컨볼루션 신경망(ConvNets)이 도입되었습니다. 본 연구에서는 이러한 두 가지 기본적인 아키텍처 가족이 그래프 학습 작업을 해결하는 데 있어 철저히 비교하고자 합니다. 우리는 기존의 그래프 RNN 및 ConvNet 아키텍처를 검토하고, 임의의 크기를 가진 그래프에 대한 LSTM과 ConvNet의 자연스러운 확장을 제안합니다. 그런 다음, 하위 그래프 매칭과 그래프 클러스터링이라는 두 가지 기본적인 그래프 문제에 대해 다양한 아키텍처를 테스트하기 위한 분석적으로 제어된 실험 세트를 설계합니다. 수치 결과는 제안된 그래프 ConvNets가 그래프 RNNs보다 3-17% 더 정확하며 1.5-4배 더 빠르다는 것을 보여줍니다. 또한 그래프 ConvNets는 변분(비학습) 기법보다 36% 더 정확합니다. 마지막으로 가장 효과적인 그래프 ConvNet 아키텍처는 게이티드 엣지(gated edges)와 잔차성(residuality)을 사용합니다. 잔차성은 다층 아키텍처를 학습하는 데 필수적인 역할을 하며, 성능 향상률을 10% 증가시킵니다.