초록
그래프 구조 데이터는 과학과 공학에서 보편적으로 나타납니다. 그래프 신경망(GNN)은 그래프에서 나타나는 관계적 귀납 편향을 활용하도록 설계되었습니다. 구조 정보가 노드 특성에 추가되는 시나리오에서는 다른 형태의 신경망보다 우수한 성능을 보이는 것으로 알려져 있습니다. 가장 일반적인 GNN 아키텍처는 메시지 전달 기반으로 이웃에서 정보를 집계합니다. 이러한 일반성이 널리 적용되게 만들었습니다. 본 논문에서는 특별하지만 널리 사용되는 그래프 유형인 방향 비순환 그래프(DAGs)에 초점을 맞추고, 더 강력한 귀납 편향인 부분 순서를 신경망 설계에 도입합니다.우리는 \emph{방향 비순환 그래프 신경망}(DAGNN)을 제안합니다. DAGNN은 부분 순서로 정의된 흐름에 따라 정보를 처리하는 아키텍처입니다. DAGNN은 이전 연구들을 특수한 경우로 포함하는 프레임워크로 간주될 수 있지만, 우리는 이전 아키텍처가 부족했던 몇 가지 핵심 구성 요소를 식별하였습니다. 대표적인 DAG 데이터셋(즉, 소스 코드, 신경망 아키텍처, 확률적 그래픽 모델)을 대상으로 포괄적인 실험을 수행하였으며, 단순한 DAG 아키텍처와 일반적인 그래프 아키텍처 모두에 대해 DAGNN의 우월성을 입증하였습니다.