초록
그래프 신경망(GNNs)은 속성 그래프에서 학습하는 데 있어 큰 능력을 보여주고 있다. 그러나 GNN은 원본 노드로부터 멀리 떨어진 정보를 효과적으로 활용하는 데 여전히 어려움을 겪고 있다. 게다가 일반적인 GNN은 입력으로 그래프 속성을 필요로 하므로, 단순한 그래프(simple graphs)에는 적용할 수 없다. 본 논문에서는 이러한 한계를 극복하기 위해 새로운 모델인 G-GNNs(G-GNNs: GNNs를 위한 전역 정보)를 제안한다. 먼저, 비지도 사전 훈련을 통해 각 노드에 대한 전역 구조 및 속성 특징을 추출하여 노드와 관련된 전역 정보를 보존한다. 그 후, 이러한 전역 특징과 원시 네트워크 속성을 이용하여, 다양한 특징에서 정보를 학습할 수 있는 병렬 프레임워크를 제안한다. 제안한 학습 방법은 단순한 그래프와 속성 그래프 모두에 적용 가능하다. 광범위한 실험을 통해 G-GNNs가 세 가지 표준 평가 그래프에서 다른 최신 기술 모델들을 능가함을 확인하였으며, 특히 속성 그래프에서 학습할 경우 Cora(84.31%)와 Pubmed(80.95%)에서 새로운 벤치마크 기록을 수립하였다.