초록
그래프 신경망은 그래프 구조 위에 정의된 데이터에 대한 학습 및 분석 문제에서 핵심적인 역할을 하고 있다. 그러나 여러 연구 결과는 층 수를 늘림으로써 성능을 향상시키는 데 내재적인 어려움이 있음을 시사하고 있다. 최근 연구들은 이러한 현상을 그래프 기반 작업에서 노드 특징을 추출할 때 발생하는 특유의 현상, 즉 동시에 다양한 이웃 영역 크기를 고려하고 이를 적응적으로 조정해야 한다는 필요성에 기인한다고 설명하고 있다. 본 논문에서는 그래프 신경망의 맥락에서 최근 제안된 무작위로 연결된 아키텍처(randomly wired architectures)를 탐구한다. 단순히 많은 층을 쌓아 깊은 네트워크를 구축하는 대신, 무작위로 연결된 아키텍처를 활용하는 것이 네트워크의 표현 능력을 향상시키고 � richer한 표현을 얻는 더 효과적인 방법임을 입증한다. 우리는 이러한 아키텍처가 다양한 크기의 수용 영역(receptive fields)에서 기여를 통합할 수 있는 경로들의 앙상블(ensemble)처럼 행동함을 보이며, 이러한 수용 영역은 각 경로에 대한 학습 가능한 가중치를 통해 더 넓거나 좁게 조절될 수 있음을 제시한다. 또한, 최근의 보다 신뢰성 있는 테스트 방법론을 다루는 벤치마킹 프레임워크를 활용하여, 여러 작업과 네 가지 그래프 컨볼루션 정의에 걸쳐 무작위로 연결된 아키텍처가 우수한 성능을 보임을 광범위한 실험적 증거를 통해 입증한다.