초록
그래프에서의 표현 학습은 패턴 인식의 수많은 작업에서 중요한 역할을 합니다. 격자 형태의 이미지나 비디오와 달리, 그래프는 정점과 간선에 대해 완전히 좌표가 없는 구조입니다. 본 연구에서는 불규칙한 그래프에서 로컬 컨볼루션 필터링을 수행하기 위한 가우시안 유도 컨볼루션(Gaussian-induced Convolution, GIC) 프레임워크를 제안합니다. 특히, 간선 정보를 가중치 가우시안 모델로 통합하여 하위 그래프 영역의 변동성을 인코딩하는 간선 유도 가우시안 혼합 모델(edge-induced Gaussian mixture model)을 설계하였습니다. 각각의 가중치 가우시안 모델은 암묵적으로 하위 그래프 변동성의 한 구성 요소를 특징화합니다. 그래프를 조정하기 위해, 우리는 간선 연결에 따라 정점을 동적으로 클러스터링하는 정점 유도 가우시안 혼합 모델(vertex-induced Gaussian mixture model)을 도출하였습니다. 이는 대략적으로 가중치 그래프 컷(weighted graph cut)과 동등하다고 볼 수 있습니다. 우리는 여러 공개된 그래프 분류 데이터셋에서 다층 그래프 컨볼루션 네트워크(multi-layer graph convolution network)를 수행하였으며, 광범위한 실험 결과가 우리의 GIC가 효과적이며 최신 기술(state-of-the-art) 결과를 달성할 수 있음을 입증하였습니다.