초록
그래프 에코 상태 네트워크(GESN)는 이미 그래프 분류 작업에서 효율성과 효과성을 입증해왔다. 그러나 반감독 학습 기반의 노드 분류 과제에서는 종단 간(end-to-end) 학습된 심층 모델에서 과도한 스무딩(over-smoothing) 문제를 유발하며, 이는 고호모필리(high homophily) 그래프에 대한 편향을 초래한다. 본 연구에서는 GESN을 다양한 호모필리 수준을 가진 노드 분류 작업에 최초로 평가하고, 리저보아르 반경(reservoir radius)의 영향 또한 분석한다. 실험 결과, 리저보아르 기반 모델이 아키텍처적 편향을 수시로 조정하는 전통적인 심층 모델과 비교해 더 높거나 유사한 정확도를 달성하면서도 효율성 측면에서 유의미한 개선을 보였다.