컨벌루션 신경망(CNNs)은 이미지와 같은 격자 구조 데이터에서 큰 성공을 거두었지만, 그래프와 같은 보다 일반적인 데이터에서 학습하는 데는 엄청난 어려움을 겪고 있습니다. CNN에서는 학습 가능한 로컬 필터가 고수준 특징의 자동 추출을 가능하게 합니다. 필터를 사용한 계산은 수용 영역 내에서 순서대로 배열된 고정된 수의 단위가 필요합니다. 그러나 일반 그래프에서는 이웃 단위의 수가 고정되어 있지 않고, 또한 순서도 정해져 있지 않아 컨벌루션 연산의 적용이 방해받습니다. 본 연구에서는 이러한 문제들을 해결하기 위해 학습 가능한 그래프 컨벌루션 레이어(LGCL)를 제안합니다. LGCL은 각 특징에 대해 값 순위에 따라 고정된 수의 이웃 노드를 자동으로 선택하여 그래프 데이터를 1차원 형식의 격자 구조로 변환함으로써, 일반 그래프에서도 표준 컨벌루션 연산을 사용할 수 있게 합니다. 대규모 그래프에서 모델 훈련을 가능하게 하기 위해, 우리는 과거 방법들이 그래프 컨벌루션에서 과도한 메모리 및 계산 리소스 요구량을 겪었던 문제를 해결하기 위한 부분 그래프 훈련 방법을 제안합니다. 전도적 학습과 귀납적 학습 설정 모두에서 노드 분류 작업에 대한 실험 결과는 우리의 방법이 Cora, CiteSeer, PubMed 인용 네트워크 및 단백질-단백질 상호작용 네트워크 데이터셋에서 일관되게 더 우수한 성능을 달성할 수 있음을 보여줍니다. 또한 제안된 부분 그래프 훈련 전략을 사용한 방법들이 기존 접근법보다 효율적임을 나타내는 결과도 확인되었습니다.