Kipf와 Welling이 최근 제안한 그래프 컨볼루셔널 네트워크(GCN)는 반監督 학습을 위한 효과적인 그래프 모델입니다. 그러나 이 모델은 처음에 훈련 데이터와 테스트 데이터가 동시에 존재하는 상황에서 학습하도록 설계되었습니다. 또한, 층을 통해 재귀적으로 이웃 영역을 확장하는 것은 큰 규모의 밀집된 그래프에서 훈련 시 시간과 메모리 문제를 야기합니다. 이러한 문제를 완화하기 위해, 우리는 그래프 컨볼루션을 확률 측도 하에서 임베딩 함수의 적분 변환으로 해석합니다. 이러한 해석은 몬테카를로 접근법을 사용하여 일관되게 적분 값을 추정할 수 있게 하며, 이는 본 연구에서 제안하는 배치 훈련 방식인 FastGCN으로 이어집니다. 중요도 샘플링을 통해 강화된 FastGCN은 훈련 시 효율적이 뿐만 아니라 추론에서도 잘 일반화됩니다. 우리는 다양한 실험을 수행하여 GCN 및 관련 모델과 비교하여 그 효과성을 입증합니다. 특히, 훈련 과정은 수십 배 더 효율적이면서 예측 정확도는 유사하게 유지됩니다.注：在翻译中，“半監督”应为“반감독”，这是韩语中的正确拼写。以下是修正后的版本：Kipf와 Welling이 최근 제안한 그래프 컨볼루셔널 네트워크(GCN)는 반감독 학습을 위한 효과적인 그래프 모델입니다. 그러나 이 모델은 처음에 훈련 데이터와 테스트 데이터가 동시에 존재하는 상황에서 학습하도록 설계되었습니다. 또한, 층을 통해 재귀적으로 이웃 영역을 확장하는 것은 큰 규모의 밀집된 그래프에서 훈련 시 시간과 메모리 문제를 야기합니다. 이러한 문제를 완화하기 위해, 우리는 그래프 컨볼루션을 확률 측도 하에서 임베딩 함수의 적분 변환으로 해석합니다. 이러한 해석은 몬테카를로 접근법을 사용하여 일관되게 적분 값을 추정할 수 있게 하며, 이는 본 연구에서 제안하는 배치 훈련 방식인 FastGCN으로 이어집니다. 중요도 샘플링을 통해 강화된 FastGCN은 훈련 시 효율적이 뿐만 아니라 추론에서도 잘 일반화됩니다. 우리는 다양한 실험을 수행하여 GCN 및 관련 모델과 비교하여 그 효과성을 입증합니다. 특히, 훈련 과정은 수십 배 더 효율적이면서 예측 정확도는 유사하게 유지됩니다.