초록
그래프 신경망(GNNs)은 그래프 구조 데이터의 표현 능력을 크게 향상시켰습니다. 그러나 최근 GNNs의 성공에도 불구하고, 대부분의 GNNs에서 사용되는 그래프 합성곱에는 두 가지 제한이 있습니다. 첫째, 그래프 합성곱은 입력 그래프의 작은 국소 이웃에서 수행되기 때문에 원거리 노드 간의 장거리 의존성을 포착하는 데 본질적으로 한계가 있습니다. 둘째, 노드가 서로 다른 클래스에 속하는 이웃을 가질 때, 즉 이종성(heterophily)이 있는 경우, 이들로부터 수집된 메시지가 종종 표현 학습에 부정적인 영향을 미칩니다. 이러한 그래프 합성곱의 두 가지 일반적인 문제를 해결하기 위해, 본 논문에서는 여러 잠재 공간에서 적응적으로 합성곱을 수행하고 노드 간 단거리/장거리 의존성을 포착할 수 있는 변형 가능한 그래프 합성곱 네트워크(Deformable GCNs)를 제안합니다. 노드 표현(features)과 분리되어, 우리의 프레임워크는 노드 위치 임베딩(coordinates)을 동시에 학습하여 노드 간 관계를 엔드투엔드 방식으로 결정합니다. 노드 위치에 따라 변형 벡터(deformation vectors)에 의해 합성곱 커널이 변형되고, 이를 통해 각 이웃 노드에게 다른 변환을 적용합니다. 우리들의 광범위한 실험 결과는 Deformable GCNs이 이종성이 있는 그래프 데이터셋에서 노드 분류 작업에서 최고의 성능을 달성하며, 이종성을 유연하게 처리할 수 있음을 보여줍니다.