초록
최근 그래프 표현 학습을 위한 다양한 그래프 신경망(GNNs) 프레임워크가 개발되었습니다. 이러한 프레임워크는 노드의 표현을 학습하기 위해 집계 및 반복 방식에 의존합니다. 그러나 학습 과정에서 노드 간 정보가 불가피하게 손실됩니다. 이 손실을 줄이기 위해, 우리는 상호 정보(mutual information)의 방법론을 통해 집계 및 반복 방식을 탐구하여 GNNs 프레임워크를 확장합니다. 우리는 GNNs의 집계 과정에서 정상적인 이웃(normal neighborhood)을 확대하는 새로운 접근법을 제안하며, 이는 상호 정보를 최대화하는 것을 목표로 합니다. 여러 벤치마크 데이터셋에서 수행된 일련의 실험 결과를 바탕으로, 제안된 접근법이 감독학습과 준감독학습 그래프 분류, 그래프 링크 예측, 그래프 엣지 생성 및 분류 등 네 가지 유형의 그래프 작업에서 최신 성능을 향상시킨다는 것을 보여줍니다.