CKGConv: 연속 커널을 사용한 일반 그래프 합성곱

기존 그래프 합성곱의 정의는 공간적 또는 스펙트럼적 관점에서 유연성이 부족하고 통합되지 않았습니다. 그래프 영역에서 일반적인 합성곱 연산자를 정의하는 것은 캐노니컬 좌표의 부재, 불규칙한 구조의 존재, 그리고 그래프 대칭성의 특성 때문에 어려움을 겪고 있습니다. 본 연구에서는 그래프 위치 인코딩을 통해 도출된 의사좌표를 연속 함수로 매개변수화하여 새로운且通用的 그래프 합성곱 프레임워크를 제안합니다. 이를 연속 커널 그래프 합성곱 (Continuous Kernel Graph Convolution, CKGConv)이라고 명명하였습니다. 이론적으로, 우리는 CKGConv가 유연하고 표현력이 뛰어남을 입증하였습니다. CKGConv는 많은 기존 그래프 합성곱들을 포함하며, 동형이 아닌 그래프를 구분하는 능력 면에서 그래프 트랜스포머와 맞먹는 강력한 표현력을 보여줍니다. 경험적으로, 우리는 다양한 그래프 데이터셋에 걸쳐 CKGConv 기반 네트워크들이 기존 그래프 합성곱 네트워크보다 우수하며 최상의 그래프 트랜스포머들과 비슷한 성능을 발휘함을 보였습니다. 코드와 모델은 공개적으로 https://github.com/networkslab/CKGConv 에서 제공됩니다.注：在“新的且通用的”这一部分，"且通用的"没有直接翻译成韩文，因为这在韩文中显得有些累赘。如果需要强调这一点，可以将其改为“새로운而且通用的”，即“새로운 그리고 일반적인”。但根据上下文，这里选择使用“새로운”以保持句子简洁。