초록
이 논문은 그래프 구조 데이터에서 하위 샘플링을 유도하기 위한 풀링 메커니즘을 제안하며, 이를 그래프 컨볼루션 신경망의 구성 요소로 도입한다. 이 풀링 메커니즘은 모델이 학습한 노드 임베딩을 통해 적응적으로 추출된 노드 인접성과 노드 유사성 행렬의 비음수 행렬 분해(Non-Negative Matrix Factorization, NMF)에 기반한다. 이러한 메커니즘을 활용하여, 비음수 분해의 결과에 따라 노드가 적응적으로 커뮤니티로 풀링되는 점진적으로 거친 그래프를 구성할 수 있다. 그래프 분류 벤치마크에 대한 실증 분석을 통해, 이와 같은 거친 구조화 과정이 비풀링 대조군에 비해 모델의 예측 성능을 크게 향상시킨다는 점이 입증되었다.