분광 다중그래프 네트워크를 이용한 분자 내 관계의 발견 및 융합

스펙트럼 그래프 컨볼루셔널 네트워크(Spectral Graph Convolutional Networks, GCNs)는 그래프 구조 데이터에서 학습하기 위한 컨볼루션 네트워크의 일반화입니다. 스펙트럼 GCN의 응용은 성공적이었지만, 형태 대응과 노드 분류와 같은 그래프가 고정된 몇 가지 문제에만 제한되어 있었습니다. 본 연구에서는 이러한 한계를 극복하기 위해 특정 스펙트럼 그래프 네트워크인 체비셰프 GCNs(Chebyshev GCNs)을 재검토하고, 가변적인 그래프 구조와 크기로 그래프 분류 작업을 해결하는 데 그 효과를 보여줍니다. 체비셰프 GCNs은 임의의 노드 쌍 사이에 최대 하나의 엣지만 허용합니다. 이를 위해 우리는 다중 관계 그래프에서 학습할 수 있는 새로운 다중그래프 네트워크를 제안합니다. 우리는 추상적 의미를 가진 학습된 엣지를 모델링하고, 주석이 달린 엣지와 학습된 엣지에서 추출된 표현을 결합하는 다양한 방법을 실험하여 여러 화학 분류 벤치마크에서 경쟁력 있는 결과를 얻었습니다.