초록
그래프 데이터에 대한 표현 학습의 문제를 고려합니다. 컨벌루션 신경망은 이미지에 자연스럽게 작동할 수 있지만, 그래프 데이터 처리에는 큰 어려움이 있습니다. 이미지는 2D 격자 위에 노드가 위치한 그래프의 특수한 경우로, 그래프 임베딩 작업은 세그멘테이션과 같은 이미지 픽셀 단위 예측 작업과 자연스럽게 대응됩니다. U-Net과 같은 인코더-디코더 구조가 많은 이미지 픽셀 단위 예측 작업에서 성공적으로 적용되었지만, 유사한 방법들은 그래프 데이터에서는 부족합니다. 이는 풀링 및 업샘플링 연산이 그래프 데이터에서 자연스럽지 않기 때문입니다. 이러한 도전 과제를 해결하기 위해, 본 연구에서는 새로운 그래프 풀링(gPool) 및 언풀링(gUnpool) 연산을 제안합니다. gPool 레이어는 학습 가능한 투영 벡터 상의 스칼라 투영 값에 따라 일부 노드를 선택하여 더 작은 그래프를 형성합니다. 또한 gPool 레이어의 역연산인 gUnpool 레이어를 제안합니다. gUnpool 레이어는 해당 gPool 레이어에서 선택된 노드들의 위치 정보를 사용하여 그래프를 원래 구조로 복원합니다. 제안된 gPool 및 gUnpool 레이어를 기반으로, 우리는 그래프 U-Net이라고 알려진 그래프 상의 인코더-디코더 모델을 개발하였습니다. 노드 분류 및 그래프 분류 작업에 대한 실험 결과는 우리의 방법론이 이전 모델들보다 일관되게 우수한 성능을 보임을 입증하였습니다.