그래프 신경망과 컨볼루션 ARMA 필터

인기 있는 그래프 신경망은 다항식 스펙트럼 필터를 기반으로 그래프에서 합성곱 연산을 구현합니다. 본 논문에서는 다항식 필터와 비교하여 더 유연한 주파수 응답을 제공하고, 노이즈에 대해 더 강건하며, 전역 그래프 구조를 더 잘 포착할 수 있는 자기회귀 이동 평균 (ARMA) 필터에서 영감을 받은 새로운 그래프 합성곱 층을 제안합니다. 우리는 재귀적이고 분산된 공식을 사용하여 ARMA 필터의 그래프 신경망 구현을 제안하여, 효율적으로 훈련할 수 있고, 노드 공간에서 국소화되어 있으며, 테스트 시 새로운 그래프로 전송할 수 있는 합성곱 층을 얻었습니다. 우리는 스펙트럼 분석을 수행하여 제안된 ARMA 층의 필터링 효과를 연구하였으며, 반감독 노드 분류, 그래프 신호 분류, 그래프 분류 및 그래프 회귀의 네 가지 하위 작업에 대한 실험 결과를 보고합니다. 결과는 제안된 ARMA 층이 다항식 필터를 기반으로 하는 그래프 신경망보다 상당한 개선을 가져왔음을 보여줍니다.