일이 중요한 때: 클래식 네트워크 구조를 그래프 CNN으로 변환

다양한 패턴 인식 응용 프로그램은 소셜 네트워크, 단백질 상호작용 네트워크, 웹 데이터, 지식 그래프 등과 같은 그래프 구조화된 데이터에서 학습하는 형태로 구성될 수 있습니다. 컨벌루션 신경망(CNN)은 격자형 이미지/비디오 이해 작업에서 큰 발전을 가져왔지만, 불규칙하고 복잡한 기하학적 위상(순서가 정해지지 않은 정점, 고정되지 않은 인접 간선/정점의 수)으로 인해 이러한 성공적인 네트워크 구조(Inception net, Residual net, Dense net 등)를 그래프에 적용하여 그래프 컨벌루션 신경망을 설립하는 데에는 거의 주목하지 않았습니다. 본 논문에서는 특히 기본적인 그래프 인식 문제에서 다양한 전통적인 네트워크 구조를 그래프 CNN으로 변환할 때 어떤 작업이 중요한지를 종합적으로 분석하는 것을 목표로 합니다. 구체적으로, 먼저 일반적인 그래프 CNN 방법론을 검토하며, 특히 불규칙한 그래프 데이터에서의 스펙트럼 필터링 연산에 대해 살펴봅니다. 그 다음으로는 ResNet, Inception 및 DenseNet의 기본 구조를 그래프 CNN에 도입하여 이러한 네트워크 구조를 그래프 상에서 구축합니다. 이를 G_ResNet, G_Inception, G_DenseNet이라고 명명합니다. 특히 이 연구는 이러한 전통적인 네트워크 구조가 어떻게 작동하는지 밝히고 적절한 그래프 네트워크 프레임워크를 선택하기 위한 가이드라인을 제공함으로써 그래프 CNN에 도움을 주려고 합니다. 마지막으로 여러 공개된 그래프 데이터셋(소셜 네트워크와 생물정보학 데이터셋 포함)에서 이러한 다양한 네트워크 구조의 성능을 종합적으로 평가하고, 각각의 네트워크 구조가 그래프 인식 작업에서 어떻게 작동하는지를 보여줍니다.