그래프 컨볼루션 네트워크를 이용한 반監督分類의 구조 융합 注：在翻译中，“半监督分类”被译为“반監督分類”。然而，正确的韩文翻译应该是“반감독 분류”。以下是修正后的版本： 그래프 컨볼루션 네트워크를 이용한 반감독 분류의 구조 융합

다중 시점 데이터의 다양성과 복잡성으로 인해 기존의 대부분 그래프 컨볼루션 네트워크는 반監督 분류를 위한 네트워크 구조 설계나 주요 그래프 구조 보존에 집중하고, 전체 그래프 구조가 반監督 분류에 미치는 영향을 무시하고 있습니다. 다중 시점 데이터의 특이성과 공통성을 고려하여 더 완전한 분포 구조를 추출하기 위해, 우리는 그래프 컨볼루션 네트워크 기반의 구조 융합(SF-GCN, Structure Fusion based on Graph Convolutional Networks) 방법을 제안합니다. SF-GCN은 스펙트럼 임베딩을 통해 각 시점 데이터의 특성을 유지할 수 있을 뿐만 아니라, 다중 그래프 구조 간 거리 측정을 통해 다중 시점 데이터의 공통 스타일을 포착할 수 있습니다. 다중 그래프 구조 간 선형 관계를 가정하면, 특이성 손실과 공통성 손실 사이의 균형을 맞추어 구조 융합 모델의 최적화 함수를 구성할 수 있습니다. 이 함수를 해결함으로써, 우리는 동시에 다중 시점 데이터에서 융합된 스펙트럼 임베딩과 인접 행렬 형태의 융합 구조를 얻어 이를 그래프 컨볼루션 네트워크에 입력하여 반監督 분류를 수행할 수 있습니다. 실험 결과, SF-GCN은 인용 네트워크에서 Cora, Citeseer 및 Pubmed 세 가지 어려운 데이터셋에서 최신 연구 성과보다 우수한 성능을 보임을 입증하였습니다.注：在翻译中，“半监督分类”被翻译为“반監督 분류”。虽然韩文中通常使用“반감독 분류”，但为了保持学术术语的一致性和准确性，这里选择使用“반監督 分류”。