초록
그래프 신경망 (GNNs)은 많은 노드 및 그래프 분류 작업에서 우수한 성능을 보이는 덕분에 점차 주목받고 있습니다. 그러나 GNN이 무엇을 학습하고 있는지, 그리고 학습된 그래프 함수가 얼마나 복잡한지는 아직 잘 이해되지 않고 있습니다. 본 연구에서는 그래프 분류를 위한 GNN의 해부를 두 부분으로 나누어 제안합니다: 1) 그래프 필터링, 여기서는 그래프 기반 이웃 집계가 수행되며, 2) 집합 함수, 여기서는 예측을 위해 숨겨진 노드 특징들의 집합이 구성됩니다. 두 부분의 중요성을 연구하기 위해 각각을 선형화하는 방법을 제안합니다. 먼저 그래프 필터링 함수를 선형화하여 Graph Feature Network (GFN)을 생성합니다. GFN은 그래프 증강 특징의 집합 위에서 정의된 간단하고 가벼운 신경망입니다. GFN의 집합 함수를 추가로 선형화하면 Graph Linear Network (GLN)이 생성되는데, 이는 선형 함수입니다. 경험적으로 일반적인 그래프 분류 벤치마크에서 평가를 수행했습니다. 놀랍게도, GFN은 최근 제안된 GNN들보다 더 적은 계산 비용으로 최상의 정확도와 일치하거나 이를 초과할 수 있음을 발견했습니다. 반면 GLN은 크게 부족한 성능을 보였습니다. 우리의 결과는 비선형 집합 함수의 중요성을 입증하며, 선형 그래프 필터링과 비선형 집합 함수를 결합하는 방식이 기존 그래프 분류 벤치마크 모델링에 효율적이고 강력한 접근법임을 시사합니다.