초록
그래프 신경망(GNN)은 그래프 구조 데이터로부터 학습하는 데 있어 다양한 분야에서 성공을 거두었다. 본 논문은 앙상블 학습 기법을 활용하여 그래프 신경망(GNN)의 성능과 견고성을 향상시키는 방법을 탐구한다. 다양한 초기화 방식이나 아키텍처를 가진 다수의 GNN 모델을 학습시켜, 데이터의 다양한 특징을 포착할 수 있는 앙상블 모델인 ELGNN을 구성한다. 이 모델은 트리 구조를 가진 파르젠 추정기(Tree-Structured Parzen Estimator, TSPE) 알고리즘을 사용하여 앙상블 가중치를 결정한다. 이러한 모델들의 예측을 결합함으로써 전반적인 정확도를 높이고, 편향과 분산을 줄이며, 노이즈가 포함된 데이터의 영향을 완화할 수 있다. 연구 결과는 앙상블 학습이 복잡한 그래프 구조 데이터를 분석하는 데 있어 GNN의 능력을 강화하는 데 효과적임을 입증한다. 코드는 공개되어 있으며, https://github.com/wongzhenhao/ELGNN 에서 확인할 수 있다.