그래프 뉴럴 네트워크를 위한 이산 구조 학습

그래프 신경망 (GNNs)은 데이터 포인트 간의 희소하고 이산적인 의존 구조를 통합할 수 있는 능력이 주요 장점인 인기 있는 기계 학습 모델 클래스입니다. 그러나 GNNs는 이러한 그래프 구조가 제공되는 경우에만 사용할 수 있다는 점이 불행합니다. 실제로, 현실 세계의 그래프는 종종 노이즈가 많고 불완전하거나 아예 제공되지 않는 경우가 많습니다. 본 연구에서는 그래프 구조와 그래프 컨볼루션 네트워크 (GCNs)의 매개변수를 동시에 학습하기 위해, 그래프의 엣지에 대한 이산 확률 분포를 학습하는 이중 프로그램을 근사적으로 해결하는 방법을 제안합니다. 이 방법을 통해 GCNs는 주어진 그래프가 불완전하거나 오염된 상황뿐만 아니라 그래프가 전혀 제공되지 않는 상황에서도 적용할 수 있습니다. 우리는 일련의 실험을 수행하여 제안된 방법의 동작을 분석하고, 관련 방법들보다 크게 우수한 성능을 보임을 입증하였습니다.