초록
그래프 컨볼루션 네트워크(GCNs)는 그래프 구조 데이터를 위한 강력한 딥러닝 접근 방식입니다. 최근에 GCNs와 그 후속 변형 모델들은 실제 데이터셋에서 다양한 응용 분야에서 우수한 성능을 보여주었습니다. 그러나 과도한 평활화(over-smoothing) 문제로 인해 현재 대부분의 GCN 모델은 얕게 설계되어 있습니다. 본 논문에서는 깊은 그래프 컨볼루션 네트워크의 설계와 분석 문제를 연구합니다. 우리는 초기 잔차(initial residual)와 항등 매핑(identity mapping)이라는 두 가지 간단하면서도 효과적인 기법을 도입하여 기본 GCN 모델을 확장한 GCNII를 제안합니다. 이 두 기법이 과도한 평활화 문제를 효과적으로 완화한다는 것을 이론적 및 경험적으로 입증하였습니다. 실험 결과, 깊은 GCNII 모델이 다양한 반감독 및 완전 감독 작업에서 최신 방법들을 능가하는 것으로 나타났습니다. 코드는 https://github.com/chennnM/GCNII 에서 확인할 수 있습니다.