초록
그래프 신경망 (GNNs)은 그래프에서의 표현 학습에 널리 사용되어 노드 분류 및 링크 예측 등의 작업에서 최고 수준의 성능을 달성하였습니다. 그러나 대부분의 기존 GNNs는 고정되고 동질적인 그래프에서 노드 표현을 학습하도록 설계되었습니다. 이러한 제한은 특히 잘못 지정된 그래프나 다양한 유형의 노드와 엣지로 구성된 이종 그래프에서 표현을 학습할 때 문제가 됩니다. 본 논문에서는 새로운 그래프 구조를 생성하고, 이를 통해 효과적인 노드 표현을 단일 과정으로 학습할 수 있는 그래프 트랜스포머 네트워크 (GTNs)를 제안합니다. GTNs의 핵심 계층인 그래프 트랜스포머 계층은 유용한 다단계 연결, 즉 메타-패스를 생성하기 위해 엣지 유형과 복합 관계의 부드러운 선택을 학습합니다. 실험 결과, GTNs는 도메인 지식 없이 데이터와 작업에 기반하여 새로운 그래프 구조를 학습하고, 새로운 그래프에서의 컨볼루션을 통해 강력한 노드 표현을 생성하는 것을 보여주었습니다. 도메인 특화된 그래프 전처리 없이도, GTNs는 도메인 지식으로부터 사전 정의된 메타-패스가 필요한 최신 방법들보다 모든 세 가지 벤치마크 노드 분류 작업에서 최고의 성능을 달성하였습니다.