EvolveGCN: 동적 그래프를 위한 진화하는 그래프 컨볼루션 네트워크

그래프 표현 학습은 유클리드 데이터에 대한 딥러닝의 광범위한 사용으로 인해 다양한 신경망 설계를 비유클리드 영역, 특히 그래프에서 창출함에 따라 다시 주목받는 연구 주제로 떠오르고 있습니다. 이러한 그래프 신경망(GNN)이 정적 환경에서 성공을 거두면서, 우리는 그래프가 동적으로 진화하는 더 실용적인 시나리오를 다루기 위해 접근하고 있습니다. 기존 방법들은 일반적으로 노드 임베딩을 사용하여 순환 신경망(RNN, 넓은 의미에서)을 통해 임베딩을 조절하고 시간적 동태성을 학습합니다. 이러한 방법들은 노드의 전체 시간 범위(훈련 및 테스트 포함)에 대한 지식을 필요로 하며, 노드 집합의 자주 발생하는 변경에는 덜 적용됩니다. 극단적인 시나리오에서는 서로 다른 시간 단계에서의 노드 집합이 완전히 다르기도 합니다. 이 문제를 해결하기 위해, 우리는 노드 임베딩에 의존하지 않고 시간 차원을 따라 그래프 컨볼루셔널 네트워크(GCN) 모델을 적응시키는 EvolveGCN을 제안합니다. 제안된 접근 방식은 RNN을 사용하여 GCN 매개변수를 진화시켜 그래프 시퀀스의 동태성을 포착합니다. 매개변수 진화를 위한 두 가지 아키텍처가 고려되었습니다. 우리는 제안된 접근 방식을 링크 예측, 엣지 분류, 노드 분류 등의 작업에서 평가하였습니다. 실험 결과는 EvolveGCN이 관련 접근 방식보다 전반적으로 더 높은 성능을 보임을 나타냅니다. 코드는 \url{https://github.com/IBM/EvolveGCN}에서 제공됩니다.