GraphMDN: 그래프 구조와 딥러닝을 활용한 역문제 해결

최근 그래프 신경망(Graph Neural Networks, GNNs)의 도입과 지난 몇 년간의 인기 증가로 인해 비유클리드, 그래프 구조 데이터에 딥러닝 알고리즘을 적용할 수 있게 되었습니다. GNNs는 그래프 기반 머신 러닝 문제에서 최고 수준의 결과를 달성하였습니다. 그러나 그들의 급속한 발전에도 불구하고, GNNs에 대한 대부분의 연구는 그래프 분류와 임베딩 기술에 초점을 맞추어 왔으며, 그래프 데이터에 대한 회귀 작업은 상대적으로 소홀히 다루어져 왔습니다.본 논문에서는 그래프 혼합 밀도 네트워크(Graph Mixture Density Network, GraphMDN)를 개발하는데, 이는 그래프 신경망과 혼합 밀도 네트워크(Mixture Density Network, MDN) 출력을 결합한 모델입니다. 이러한 기법들을 결합함으로써 GraphMDNs는 신경망 구조에 자연스럽게 그래프 구조 정보를 통합할 수 있는 장점뿐만 아니라 다중 모드 회귀 대상을 모델링하는 능력을 갖추게 됩니다. 따라서 GraphMDNs는 데이터가 그래프 구조를 가지고 있으며, 대상 통계량이 단일 값보다는 밀도의 혼합으로 더 잘 표현되는 회귀 작업(소위 "역 문제")에서 우수한 성능을 발휘하도록 설계되었습니다.이를 입증하기 위해, 우리는 기존의 GNN 아키텍처인 의미적 GCN(Semantic GCN, SemGCN)을 GraphMDN 구조로 확장하고 Human3.6M 포즈 추정 작업에서 결과를 제시합니다. 확장된 모델은 유사한 매개변수 수를 가진 GCN 및 MDN 아키텍처 각각보다 일관되게 우수한 성능을 보여주었습니다.