DropGNN: 랜덤 드롭아웃은 그래프 신경망의 표현력을 향상시킨다

이 논문은 기존 GNN 프레임워크의 한계를 극복하는 데 목적이 있는 새로운 접근법인 Dropout 그래프 신경망(DropGNN)을 연구한다. DropGNN에서는 입력 그래프에 대해 GNN을 여러 번 실행하며, 각 실행 과정에서 노드 중 일부를 무작위로 독립적으로 제거한다. 이후 이러한 실행 결과들을 결합하여 최종 결과를 도출한다. 우리는 DropGNN이 메시지 전파 기반 GNN으로는 구분할 수 없는 다양한 그래프 이웃 구조를 구분할 수 있음을 증명한다. 또한, 드롭아웃 분포가 신뢰할 수 있도록 보장하기 위해 필요한 실행 횟수에 대한 이론적 경계를 도출하고, DropGNN의 표현 능력과 한계에 관한 여러 성질을 입증한다. 이론적 발견의 타당성을 실험적으로 검증하였으며, 기존의 GNN 벤치마크에서 DropGNN이 경쟁력 있는 성능을 보임을 보여준다.