N-GCN: 다중 스케일 그래프 컨볼루션을 이용한 반지도 노드 분류

그래프 컨볼루션 네트워크(GCNs)는 그래프 구조 데이터에서 반감독 학습에 있어 상당한 개선을 보여주었습니다. 동시에, 무감독 학습은 랜덤 워크(random walks)에 포함된 정보로부터 그래프 임베딩(graph embeddings)의 학습이 이익을 얻었습니다. 본 논문에서는 이러한 두 가지 연구 방향을 결합한 모델인 GCN 네트워크(N-GCN)를 제안합니다. N-GCN의 핵심은 랜덤 워크에서 서로 다른 거리로 발견된 노드 쌍들에 대해 여러 개의 GCN 인스턴스를 훈련시키고, 분류 목표를 최적화하는 인스턴스 출력들의 조합을 학습하는 것입니다. 우리의 실험 결과는 제안된 N-GCN 모델이 우리가 고려한 모든 어려운 노드 분류 작업(Cora, Citeseer, Pubmed, 그리고 PPI)에서 기존 최신 기법들을 개선함을 보여줍니다. 또한, 제안된 방법은 GraphSAGE와 같은 최근 제안된 반감독 학습 방법으로의 일반화를 가능하게 하여 N-SAGE를 제안할 수 있으며, 적대적인 입력 변동에 대한 탄력성 등의 다른 바람직한 특성을 가지고 있습니다.