R-GCN: R는 랜덤을 의미할 수 있다

관계형 그래프 컨볼루션 네트워크(Relational Graph Convolutional Network, R-GCN)의 등장은 지식 그래프(Knowledge Graph, KG)에 대한 엔드투엔드 계층적 표현 학습을 일반화한 널리 인용되는 방법으로서 의미 웹 분야에서 중요한 전환점이 되었다. R-GCN은 노드의 이웃들에 대해 매번 매개변수화된 관계별 변환을 집계함으로써 관심 노드에 대한 표현을 생성한다. 그러나 본 논문에서는 R-GCN의 주요 기여가 학습된 가중치보다는 이 '메시지 전달'(message passing) 패러다임에 있음을 주장한다. 이를 입증하기 위해, 모든 매개변수를 학습하지 않는 '랜덤 관계형 그래프 컨볼루션 네트워크'(Random Relational Graph Convolutional Network, RR-GCN)를 제안한다. RR-GCN은 이웃 노드들로부터 무작위로 변환된 무작위 표현을 집계함으로써 노드 임베딩을 구성하며, 학습된 매개변수가 전혀 존재하지 않는다. 실증적으로, RR-GCN이 노드 분류 및 링크 예측 설정에서 완전히 학습된 R-GCN과 경쟁 가능한 성능을 보임을 입증하였다.