초록
우리는 그래프 구조 데이터에 대한 새로운 스펙트럼 컨볼루션 신경망(CNN) 모델인 분산 피드백 루프 네트워크(Distributed Feedback-Looped Networks, DFNets)를 제안한다. 이 모델은 피드백 루프 필터라는 강력한 스펙트럼 그래프 필터 클래스를 통합하여 정점에 대한 더 나은 국소화 성능을 제공하면서도 빠른 수렴 속도와 선형 메모리 요구량을 유지한다. 이론적으로 피드백 루프 필터는 특정 오차 한계에 대해 수렴을 보장하며, 그래프의 구조를 사전에 알지 못해도 어떤 그래프에나 일반적으로 적용 가능하다. 또한 이 모델의 전파 규칙은 이전 계층의 특징을 다양화하여 강한 기울기 흐름을 생성할 수 있다. 제안된 모델은 인용 네트워크에서의 반감독 문서 분류 및 지식 그래프에서의 반감독 엔티티 분류라는 두 가지 벤치마크 과제를 통해 평가되었으며, 실험 결과 모든 데이터셋에서 기존 최고 성능 모델들을 상회하는 우수한 성능을 보였다.