그래프 표현을 위한 관계 풀링

이 연구는 Weisfeiler-Lehman (WL) 알고리즘, 그래프 라플라시안, 그리고 확산에 기반한 그래프 신경망(GNNs)을 넘어선 일반화를 목표로 합니다. 우리의 접근 방식인 관계 풀링(RP)은 유한 부분 교환성 이론에서 영감을 받아 그래프에 대한 최대 표현력을 제공하는 프레임워크를 제시합니다. RP는 기존의 그래프 표현 모델과 함께 사용할 수 있으며, 직관과 반대로 WL 동형 검사보다 더 강력하게 만들 수 있습니다. 또한, RP는 순환 신경망(Recurrent Neural Networks)과 합성곱 신경망(Convolutional Neural Networks) 같은 아키텍처가 그래프 분류에 대해 이론적으로 타당한 방법으로 사용될 수 있도록 합니다. 우리는 여러 작업에서 RP 기반 그래프 표현이 최신 방법론보다 우수한 성능을 보이는 것을 입증하였습니다.