캡슐 신경망을 이용한 그래프 분류: 명시적 텐서 표현을 통한 그래프 표현

그래프 분류는 많은 과학 분야에서 중요한 문제입니다. 이는 단백질과 화합물을 그들의 기능이나 화학적 및 구조적 특성에 따라 범주로 분류하는 등의 작업을 다룹니다. 지도 학습 환경에서는 이 문제를 라벨이 부여된 그래프 집합 내의 구조, 특성 및 특성 간의 관계를 학습하고, 미지의 그래프의 라벨이나 범주를 정확히 예측할 수 있는 능력을 갖추는 것으로 설정할 수 있습니다.이 작업에서 큰 어려움은 기존 분류 알고리즘을 적용하려 할 때 발생합니다. 그래프의 노드와 엣지 수가 크게 달라질 수 있으므로, 고정된 크기의 행렬 또는 텐서 표현이 필요하기 때문입니다. 이미지 기반 분류기를 표준화된 텐서 표현과 결합한 이전 연구를 바탕으로, 우리는 주어진 그래프 집합에서 각 그래프에서 고정된 크기의 텐서 정보를 추출하고 캡슐 네트워크(Capsule Network)를 사용하여 분류를 수행하는 모델을 제안합니다.우리가 여기서 고려하는 그래프는 방향성이 없으며, 노드에는 범주형 특성이 부여되어 있습니다. 표준 벤치마킹 화학 및 단백질 데이터셋을 사용하여, 우리의 그래프 캡슐 네트워크 분류 모델이 그래프의 명시적인 텐서 표현을 사용함에도 불구하고 제한적인 하이퍼파라미터 탐색만으로도 현재 최신 그래프 커널(graph kernels) 및 그래프 신경망(graph neural network) 모델들과 경쟁력 있다는 것을 입증하였습니다.