깊은 그래프 인포맥스

우리는 비지도 방식으로 그래프 구조 데이터 내에서 노드 표현을 학습하기 위한 일반적인 접근법인 딥 그래프 인포맥스(Deep Graph Infomax, DGI)를 제시합니다. DGI는 기존의 그래프 컨볼루션 네트워크(GCN) 아키텍처를 사용하여 얻은 패치 표현과 해당 그래프의 고차원 요약 간의 상호 정보를 최대화하는 데 의존합니다. 학습된 패치 표현은 관심 노드 중심의 부분 그래프를 요약하며, 따라서 하류 노드별 학습 작업에 재사용될 수 있습니다. 대부분의 이전 GCN 비지도 학습 방법들과 달리, DGI는 랜덤 워크 목적함수에 의존하지 않으며, 전이 학습(transductive learning)과 귀납 학습(inductive learning) 설정 모두에 쉽게 적용할 수 있습니다. 우리는 다양한 노드 분류 벤치마크에서 경쟁력 있는 성능을 보여주며, 때로는 지도 학습의 성능을 초월하기도 합니다.