천장 깨기: 더 강력한 다중 스케일 딥 그래프 컨볼루션 네트워크

최근, 신경망 기반 접근 방식은 큰 규모와 복잡한 그래프 구조 문제 해결에서 상당한 개선을 이루어냈습니다. 그러나 여전히 그들의 병목 현상이 해결되어야 하며, 다중 스케일 정보와 깊은 아키텍처의 장점이 충분히 활용되지 않고 있습니다. 본 논문에서는 기존 그래프 컨볼루션 네트워크(GCNs)가 활성화 함수와 아키텍처의 제약으로 인해 표현력이 제한되는 이론적 분석을 수행합니다. 우리는 스펙트럼 그래프 컨볼루션과 깊은 GCN을 블록 크릴로브 부분 공간 형태로 일반화하고, 두 가지 아키텍처를 설계하였습니다. 이 두 아키텍처는 더 깊게 확장할 잠재력을 가지고 있지만, 각각 다중 스케일 정보를 다른 방식으로 활용합니다. 또한 특정 조건 하에서 이 두 아키텍처의 동등성이 확립될 수 있음을 보여줍니다. 여러 노드 분류 작업에서 검증의 도움을 받거나 받지 않더라도, 두 새로운 아키텍처는 많은 최신 방법들보다 우수한 성능을 달성하였습니다.