초록
그래프 컨볼루션은 대부분의 그래프 신경망(GNN)의 핵심이며, 일반적으로 직접(1-호프) 이웃 간의 메시지 전달 방식으로 근사화된다. 본 연구에서는 단지 직접 이웃만을 사용하는 제약을 제거하기 위해, 강력하면서도 공간적으로 국소화된 그래프 컨볼루션인 그래프 확산 컨볼루션(GDC)을 도입한다. GDC는 열 커널과 개인화된 페이지랭크 등이 포함된 일반화된 그래프 확산을 활용하여, 실제 그래프에서 흔히 존재하는 노이즈가 많은 및 임의로 정의된 엣지 문제를 완화한다. 우리는 GDC가 스펙트럴 기반 모델과 밀접한 관련이 있음을 보여주며, 공간적(메시지 전달) 및 스펙트럴 방법의 장점을 결합함을 입증한다. 다양한 모델과 데이터셋에서 감독 및 비감독 태스크에 걸쳐, 메시지 전달 대신 그래프 확산 컨볼루션을 사용하는 것이 일관되게 뛰어난 성능 향상을 가져옴을 실험적으로 확인하였다. 더불어 GDC는 GNN에 국한되지 않고, 스펙트럴 클러스터링과 같은 어떤 그래프 기반 모델이나 알고리즘과도 단순히 결합 가능하며, 후자의 구조를 변경하거나 계산 복잡도에 영향을 주지 않는다. 본 연구의 구현 코드는 온라인으로 공개되어 있다.