DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification DEMO-Net: 차수별 그래프 신경망을 이용한 노드 및 그래프 분류

그래프 데이터는 많은 고영향력 애플리케이션에서 널리 존재합니다. 격자 구조 데이터에서 딥 러닝의 성공을 바탕으로, 그래프 신경망 모델은 강력한 노드 수준 또는 그래프 수준 표현을 학습하기 위해 제안되었습니다. 그러나 대부분의 기존 그래프 신경망은 다음과 같은 한계를 가지고 있습니다: (1) 시드 중심적, 차수 인식적, 순서 자유적 등의 그래프 컨볼루션 속성에 대한 분석이 제한적입니다; (2) 노드의 차수별 그래프 구조가 구조 인식적인 노드 이웃을 구분하기 위해 그래프 컨볼루션에서 명시적으로 표현되지 않습니다; (3) 그래프 수준 풀링/리드아웃 방식에 대한 이론적 설명이 불명확합니다.이러한 문제들을 해결하기 위해, 우리는 Weisfeiler-Lehman 그래프 동형 검사법이 1-hop 이웃 구조를 재귀적으로 식별하는 것을 바탕으로 한 일반적인 차수별 그래프 신경망인 DEMO-Net을 제안합니다. 노드 속성과 통합된 그래프 위상을 명시적으로 포착하기 위해서는, 우리는 그래프 컨볼루션이 세 가지 속성을 가져야 한다고 주장합니다: 시드 중심적, 차수 인식적, 순서 자유적. 이를 위해, 각 태스크가 특정 차수 값을 가진 노드의 표현 학습을 나타내는 다중 태스크 그래프 컨볼루션을 제안합니다. 이로 인해 차수별 그래프 구조가 보존됩니다. 특히, 우리는 두 가지 다중 태스크 학습 방법을 설계했습니다: 차수별 가중치와 해싱 함수를 위한 그래프 컨볼루션입니다. 또한, 차수별 힐베르트 커널 공간에 확실하게 존재하는 그래프 표현을 학습하기 위한 새로운 그래프 수준 풀링/리드아웃 방식을 제안합니다. 여러 노드 및 그래프 분류 벤치마크 데이터 세트에서의 실험 결과는 우리의 제안된 DEMO-Net이 최신의 그래프 신경망 모델들보다 효과적이고 효율적임을 입증하였습니다.