구조 학습을 통한 계층적 그래프 풀링

그래프 신경망(GNNs)은 그래프 구조 데이터에 깊은 신경망을 일반화한 것으로, 다양한 그래프 기반 작업에서 최첨단 성능을 달성하며 큰 주목을 받고 있다. 그러나 기존의 GNN 모델은 주로 그래프 컨볼루션 연산 설계에 집중하고 있으며, 계층적 표현을 학습하는 데 중요한 역할을 하는 그래프 풀링(또는 다운샘플링) 연산은 보통 간과되고 있다. 본 논문에서는 다양한 그래프 신경망 아키텍처에 통합될 수 있는 새로운 그래프 풀링 연산자인 계층적 구조 학습을 통한 그래프 풀링(Hierarchical Graph Pooling with Structure Learning, HGP-SL)을 제안한다. HGP-SL은 그래프 풀링과 구조 학습을 통합된 모듈로 통합하여 그래프의 계층적 표현을 생성한다. 구체적으로, 그래프 풀링 연산은 후속 레이어를 위해 부분 노드 집합을 적응적으로 선택하여 유도 부분 그래프를 구성한다. 그래프의 위상 정보를 유지하기 위해, 각 레이어에서 풀링된 그래프에 대해 보다 정교한 그래프 구조를 학습하는 구조 학습 메커니즘을 추가로 도입한다. HGP-SL 연산자를 그래프 신경망과 결합함으로써 그래프 분류 작업에 초점을 맞춘 그래프 수준의 표현 학습을 수행한다. 여섯 가지 널리 사용되는 벤치마크에서의 실험 결과는 제안하는 모델의 효과성을 입증한다.