차등 풀링을 사용한 계층적 그래프 표현 학습

최근, 그래프 신경망(GNNs)은 효과적으로 학습된 노드 임베딩을 통해 그래프 표현 학습 분야를 혁신하였으며, 노드 분류와 링크 예측 등의 작업에서 최고 수준의 결과를 달성하였습니다. 그러나 현재의 GNN 방법들은 본질적으로 평평하며 그래프의 계층적 표현을 학습하지 못하는 한계가 있습니다. 이는 특히 전체 그래프에 대한 라벨을 예측하는 것이 목표인 그래프 분류 작업에서 문제가 됩니다. 이에 우리는 DiffPool이라는 미분 가능한 그래프 풀링 모듈을 제안합니다. DiffPool은 계층적 그래프 표현을 생성할 수 있으며, 다양한 그래프 신경망 아키텍처와 단일 시스템으로 결합될 수 있습니다. DiffPool은 깊은 GNN의 각 층에서 노드에 대해 미분 가능한 부드러운 클러스터 할당을 학습하여, 노드들을 클러스터 집합으로 매핑하고, 이를 다음 GNN 층의 입력으로 조정합니다. 실험 결과, 기존 GNN 방법들과 DiffPool을 결합하면 기존 모든 풀링 접근법과 비교하여 그래프 분류 벤치마크에서 평균 5-10%의 정확도 개선이 이루어짐을 보여주며, 다섯 개 벤치마크 데이터 세트 중 네 개에서 새로운 최고 성능을 달성하였습니다.