초록
깊은 그래프 모델의 설계는 여전히 연구가 필요한 영역이며, 중요한 부분은 효율적인 방법으로 다른 이웃들의 지식을 탐색하고 활용하는 방법입니다. 본 논문에서는 AdaBoost를 네트워크 계산에 통합하여 새로운 RNN 유사 깊은 그래프 신경망 아키텍처를 제안합니다. 제안된 그래프 컨볼루션 네트워크인 AdaGCN (Adaboosting Graph Convolutional Network)는 현재 노드의 고차 이웃에서 효율적으로 지식을 추출하고, 이를 AdaBoost 방식으로 다양한 이웃 거리의 지식을 네트워크에 통합할 수 있는 능력을 가지고 있습니다. 다른 그래프 신경망들이 많은 그래프 컨볼루션 레이어를 직접 쌓는 것과 달리, AdaGCN은 모든 "레이어" 간에 동일한 기본 신경망 아키텍처를 공유하며 재귀적으로 최적화됩니다. 이는 RNN과 유사합니다. 또한, 우리는 AdaGCN과 기존의 그래프 컨볼루션 방법들 사이의 이론적인 연결성을 확립하였으며, 제안된 접근법의 장점을 제시하였습니다. 마지막으로, 광범위한 실험을 통해 AdaGCN이 다양한 라벨 비율에서 일관된 최신 예측 성능을 보임과 동시에 계산상의 우위성을 입증하였습니다.\footnote{코드는 \url{https://github.com/datake/AdaGCN}에서 제공됩니다.}