Geom-GCN: 기하학적 그래프 컨볼루션 네트워크

메시지 패싱 신경망(MPNNs)은 다양한 실제 응용 분야에서 그래프 구조 데이터의 표현 학습에 성공적으로 적용되어 왔습니다. 그러나 MPNNs의 애그리게이터는 그래프 구조 데이터를 표현하는 능력을 제한하는 두 가지 근본적인 약점을 가지고 있습니다: 이웃 노드들의 구조적 정보 손실과 비동질 그래프에서 장거리 의존성을 포착할 수 없는 문제입니다. 이러한 약점들을 다양한 관점에서 살펴본 연구는 거의 없습니다. 고전적인 신경망과 네트워크 기하학에 대한 관찰을 바탕으로, 우리는 이 두 가지 약점을 극복하기 위한 새로운 기하학적 애그리게이션 방안을 제안합니다. 이 방안의 기본 아이디어는 그래프 상에서의 애그리게이션이 그래프 아래에 있는 연속 공간으로부터 혜택을 받을 수 있다는 것입니다. 제안된 애그리게이션 방안은 순열 불변성(permutation-invariant)을 가지며, 세 개의 모듈로 구성됩니다: 노드 임베딩, 구조적 이웃, 그리고 이중 수준 애그리게이션(bi-level aggregation)입니다. 또한, 우리는 이 방안을 그래프 컨볼루셔널 네트워크(GCN)에 구현하여 그래프 상에서 전도 학습(transductive learning)을 수행하는 Geom-GCN (기하학적 그래프 컨볼루셔널 네트워크)를 소개합니다. 실험 결과, 제안된 Geom-GCN은 다양한 공개 그래프 데이터셋에서 최고 수준의 성능을 달성하였습니다. 코드는 https://github.com/graphdml-uiuc-jlu/geom-gcn 에서 제공됩니다.