계층적 그래프 컨볼루션 네트워크를 이용한 준지도 노드 분류

그래프 컨볼루션 네트워크(GCNs)는 네트워크 마이닝의 노드 분류 작업에 성공적으로 적용되어 왔습니다. 그러나 대부분의 이들 모델은 이웃 집계를 기반으로 하며, 보통 깊지 않고 "그래프 풀링" 메커니즘이 부족하여 모델이 충분한 전역 정보를 얻을 수 없게 합니다. 이를 해결하기 위해, 우리는 반감독 학습 노드 분류를 위한 새로운 깊은 계층적 그래프 컨볼루션 네트워크(H-GCN)를 제안합니다. H-GCN은 구조적으로 유사한 노드들을 먼저 초노드(hyper-nodes)로 반복적으로 집계하고, 그 다음으로 굵은 그래프(coarsened graph)를 원래 그래프로 정교화하여 각 노드의 표현을 복원합니다. 단순히 1-hop 또는 2-hop 이웃 정보만 집계하는 것이 아니라, 제안된 굵힘 절차는 각 노드의 수용 영역(receptive field)을 확장하여 더 많은 전역 정보를 포착할 수 있게 합니다. 제안된 H-GCN 모델은 다양한 공개 벤치마크 그래프 데이터셋에서 강력한 경험적 성능을 보여주며, 최신 방법론보다 우수하며 정확도 측면에서 최대 5.9%의 성능 향상을 얻었습니다. 또한 몇 개의 라벨된 샘플만 제공되는 경우에도 우리의 모델은 상당한 개선 효과를 나타냈습니다.