딥 러닝 모델은 컴퓨터 비전과 자연어 처리 등 다양한 분야에서 큰 성공을 거두었습니다. 그러나 이러한 분야와 달리, 그래프 데이터에 전통적인 딥 러닝 모델을 적용하는 것은 '노드 순서 무관성(node-orderless)' 속성 때문에 어려움이 있습니다. 일반적으로 인접 행렬은 그래프에 인위적이고 임의적인 노드 순서를 부여하는데, 이는 딥 모델이 그래프 분류 작업에서 매우 불안정한 성능을 보이게 하며, 이러한 모델에서 학습된 표현들은 명확한 해석 가능성을 결핍하게 됩니다. 이러한 불필요한 노드 순서 제약을 제거하기 위해, 우리는 입력 그래프와 템플릿 간의 그래프 매칭을 통해 동형(isomorphic) 특징을 추출하여 그래프 표현을 학습하는 새로운 모델인 동형 신경망(Isomorphic Neural Network, IsoNN)을 제안합니다. IsoNN은 두 가지 주요 구성 요소를 가지고 있습니다: 그래프 동형 특징 추출 구성 요소와 분류 구성 요소입니다. 그래프 동형 특징 추출 구성 요소는 여러 개의 부분그래프 템플릿을 커널 변수로 사용하여 입력 그래프에 존재할 수 있는 가능한 부분그래프 패턴들을 학습하고, 그 다음 동형 특징들을 계산합니다. 이 구성 요소에서는 행렬 표현으로 인해 발생하는 노드 순서를 깨기 위해 여러 개의 순열 행렬(permutation matrices)이 사용됩니다. IsoNN의 분류 구성 요소로는 세 개의 완전 연결층(fully-connected layers)이 사용됩니다. 벤치마크 데이터셋들에서 광범위한 실험이 수행되었으며, 실험 결과는 특히 고전적인 방법과 최신(graph classification methods) 그래프 분류 방법들과 비교할 때 IsoNN의 효과성을 입증할 수 있습니다.