초록
그래프 신경망은 그래프 구조 데이터에 딥 뉴럴 네트워크 모델을 일반화하는 것으로, 최근 몇 년 동안 점점 더 많은 관심을 받고 있습니다. 이들은 노드 특성을 변환, 전파 및 집계하여 노드 표현을 학습하며, 노드 분류와 링크 예측 등 다양한 그래프 관련 작업의 성능 향상을 입증하였습니다. 그래프 신경망을 그래프 분류 작업에 적용하기 위해서는 노드 표현에서 \textit{그래프 표현}을 생성하는 방법이 필요합니다. 일반적인 방법은 노드 표현들을 전역적으로 결합하는 것입니다. 그러나 이러한 방법은 풍부한 구조적 정보를 간과하게 됩니다. 따라서 그래프 표현 학습 과정에서 그래프 구조를 보존할 수 있는 계층적 풀링 절차가 요구됩니다. 최근에는 기존의 컨볼루션 신경망(CNN)에서의 풀링 단계와 유사하게 그래프 표현을 계층적으로 학습하는 연구들이 이루어졌습니다. 그러나 여전히 풀링 과정에서 국소 구조적 정보가 크게 무시되고 있습니다.본 논문에서는 노드 특성과 국소 구조를 풀링 과정에서 활용할 수 있는 그래프 푸리에 변환 기반의 풀링 연산자 $\pooling$를 소개합니다. 이를 바탕으로 풀링 레이어를 설계하였으며, 이 레이어들은 전통적인 GCN 컨볼루션 레이어와 결합되어 그래프 분류를 위한 그래프 신경망 프레임워크 $\m$를 구성합니다. 또한 $\pooling$의 국소적 및 전역적 관점에서 이해할 수 있도록 이론적 분석을 제공합니다. 6개의 주요 벤치마크 데이터셋에서 수행된 실험 결과는 제안된 프레임워크의 효과성을 입증하였습니다.