그래프 랜덤 신경망을 통한 그래프 기반 반감독 학습

그래프에서의 반감독 학습 문제를 다루는 데 있어 그래프 신경망(GNN)이 광범위하게 탐구되어 왔다. 그러나 기존의 대부분의 GNN은 레이블이 부족한 상황에서 과도한 평균화(over-smoothing), 낮은 안정성(non-robustness), 그리고 약한 일반화 능력이라는 본질적 한계를 지닌다. 본 논문에서는 이러한 문제를 해결하기 위해 간단하면서도 효과적인 프레임워크인 GRAPH RANDOM NEURAL NETWORKS(GRAND)를 제안한다. GRAND에서는 먼저 그래프 데이터 증강을 수행하기 위해 무작위 전파 전략을 설계한다. 이후, 서로 다른 데이터 증강에 대해 미레이블 노드의 예측 일관성을 최적화하기 위해 일관성 정규화(consistency regularization)를 활용한다. 그래프 벤치마크 데이터셋을 대상으로 수행한 광범위한 실험 결과, GRAND는 반감독 노드 분류에서 최신 GNN 기준 모델들을 상당히 초월함을 보였다. 마지막으로, GRAND가 과도한 평균화와 낮은 안정성 문제를 완화하며, 기존 GNN보다 우수한 일반화 성능을 보임을 입증하였다. GRAND의 소스 코드는 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/Grand20/grand.