그래프 컨볼루션 네트워크 단순화

그래프 컨볼루션 네트워크(GCNs)와 그 변형들은 그래프 표현 학습의 사실상 표준 방법으로서 주목을 받고 있습니다. GCNs는 주로 최근의 딥 러닝 접근법에서 영감을 얻었으며, 이로 인해 불필요한 복잡성과 중복된 계산을 상속할 수 있습니다. 본 논문에서는 비선형성을 차례대로 제거하고 연속적인 층 사이의 가중치 행렬을 축소하여 이러한 과도한 복잡성을 줄입니다. 우리는 이로 인해 생성된 선형 모델을 이론적으로 분석하고, 이를 고정 저주파 필터(fixed low-pass filter) 다음에 선형 분류기(linear classifier)가 따르는 것으로 보여줍니다. 특히, 우리의 실험 평가는 이러한 단순화가 많은 하위 스트림 애플리케이션에서 정확도에 부정적인 영향을 미치지 않는다는 것을 입증합니다. 또한, 결과 모델은 더 큰 데이터셋으로 확장되며, 자연스럽게 해석 가능하며, FastGCN보다 최대 두 자릿수 이상의 속도 향상을 제공합니다.