초록
그래프에서 노드 분류 작업은 노드의 이웃을 여러 번 집계하여 노드 표현의 계층 구조를 학습하는 완전히 훈련된 딥 메시지 패싱 모델을 통해 해결됩니다. 동질성(동일한 클래스에 속한 노드가 주로 가까이 위치하는 경우)이 높은 그래프에서는 효과적이지만, 이와 반대되는 이질성(노드들이 서로 멀리 떨어져 있는 경우)이 높은 그래프에서는 문제가 발생합니다. 이질성이 높은 그래프에서는 컨볼루션 모델에 의해 계산된 가까운 이웃 기반의 부드러운 표현이 더 이상 효과적이지 않습니다. 지금까지는 메시지 패싱 모델의 구조적 변형을 통해 과도한 부드러움을 줄이거나, 입력 그래프를 재구성하여 더 긴 범위의 메시지 패싱을 개선하기 위한 방법들이 제안되었습니다. 본 논문에서는 Graph Echo State Network (GESN)를 사용하여 이질적 그래프에서의 노드 분류 문제를 다룹니다. GESN은 그래프용 저장소 컴퓨팅 모델로, 훈련되지 않은 메시지 패싱 함수를 통해 노드 임베딩을 재귀적으로 계산합니다. 실험 결과, GESN은 구조적 편향이나 입력 그래프의 사전 처리 단계에서 재구성을 수행하는 대부분의 완전히 훈련된 딥 모델보다 더 나은 또는 유사한 정확도를 달성할 수 있으며, 효율성/정확도 무역-offs 측면에서 개선된 성능을 보였습니다. 또한 우리의 분석 결과는 GESN이 재귀 임베딩 함수의 반복 횟수와 그래프 내 최단 경로 분포 사이에 상관관계를 보임으로써, 그래프 노드의 구조적 관계를 효과적으로 인코딩할 수 있음을 나타냅니다.