초록
그래프 컨볼루션 신경망(Graph Convolutional Neural Networks, GCNNs)은 딥 러닝 분야에서 가장 최근의 흥미로운 발전 중 하나이며, 그 응용 범위는 바이오인포매틱스, 케모인포매틱스, 소셜 네트워크, 자연어 처리 및 컴퓨터 비전 등 다중 영역으로 급속히 확대되고 있습니다. 본 논문에서는 Hinton 등이 제시한 캡슐 아이디어(\cite{hinton2011transforming})를 활용하여 GCNN 모델의 일부 기본적인 약점을暴露하고 해결하며, 그래프 캡슐 네트워크(Graph Capsule Network, GCAPS-CNN) 모델을 제안합니다. 또한, 본 연구에서는 현재 GCNN 모델들이 어려움을 겪고 있는 그래프 분류 문제를 특히 해결하기 위해 GCAPS-CNN 모델을 설계하였습니다. 광범위한 실험을 통해 제안된 그래프 캡슐 네트워크가 그래프 분류 벤치마크 데이터셋에서 기존 최신 딥 러닝 방법과 그래프 커널보다 유의미하게 우수한 성능을 보임을 입증하였습니다.注：在上述翻译中，“暴露”一词在韩文中没有直接对应的词汇，因此根据上下文进行了调整，使用了“노출하고”来表达“expose and tackle”。如果需要更精确的表达，请告知。