초록
그래프 컨볼루션 네트워크(GCN)는 쌓인 컨볼루션 레이어를 사용하여 메시지 전달 패러다임을 구현하는 그래프 표현 학습의 기초적인 방법이다. 최근의 GCN 모델들은 과도한 평활화와 기울기 소실 등의 모델 성능 저하 문제를 완화하기 위해 다양한 잔차 연결 기술을 사용한다. 그러나 기존의 잔차 연결 기술은 그래프 스펙트럼 영역에서처럼 그래프 구조를 충분히 활용하지 못하며, 이는 이질적 그래프에서 만족스러운 결과를 얻는 데 중요한 역할을 한다. 본 논문에서는 클렌쇼 합산 알고리즘(Clenshaw Summation Algorithm)을 활용하여 GCN 모델의 표현력을 향상시키는 GNN 모델인 클렌쇼GCN(ClenshawGCN)을 소개한다. 클렌쇼GCN은 표준 GCN 모델에 두 가지 간단한 잔차 모듈, 즉 적응형 초기 잔차 연결과 음의 2차 잔차 연결을 탑재한다. 우리는 이러한 두 개의 잔차 모듈을 추가함으로써 클렌쇼GCN이 체비셰프 기저(Chebyshev basis) 하에서 다항식 필터를 암시적으로 시뮬레이션한다는 것을 보여주며, 이를 통해 다항식 스펙트럼 GNN보다 최소한 동등한 표현력을 갖게 된다는 것을 입증한다. 또한, 우리는 포괄적인 실험을 수행하여 우리의 모델이 공간적 및 스펙트럼 GNN 모델들보다 우수함을 증명하였다.