초록
우리는 그래프 신경망(GNNs)에서 두 가지 근본적인 문제를 다룹니다: (1) 이미지 처리에서 중요한 특성인 불변성 학습에 대한 이론적 지원 부족, 그리고 (2) 호모필릭과 헤테로필릭 그래프 데이터셋 모두에서 뛰어난 성능을 보이는 통합 모델의 부재입니다. 이러한 문제들을 해결하기 위해, 우리는 그래프에서의 스케일 불변성을 확립하고 증명하여 이 핵심 특성을 그래프 학습으로 확장시키고, 실제 데이터셋을 이용한 실험을 통해 이를 검증하였습니다. 방향성 다중 스케일 그래프와 적응형 자기 루프 전략을 활용하여, 우리는 네 가지 호모필릭 벤치마크 데이터셋과 두 가지 헤테로필릭 벤치마크 데이터셋에서 최고 수준의 성능을 달성하는 통합 네트워크 구조인 ScaleNet을 제안합니다. 또한, 스케일 불변성을 기반으로 한 그래프 변환을 통해, 계산 비용이 많이 드는 엣지 가중치를 동일한 가중치로 대체할 수 있으며 성능은 유지되거나 개선될 수 있음을 보여주었습니다. 방향성 그래프에 대한 또 다른 인기 있는 GNN 접근법으로는 Hermitian Laplacian 방법과 인시던스 정규화를 사용한 GraphSAGE 간의 등가성을 입증하였습니다. ScaleNet은 호모필릭과 헤테로필릭 그래프 학습 사이의 격차를 메우며, 스케일 불변성에 대한 이론적 통찰력과 통합된 그래프 학습의 실질적 발전을 제공합니다. 우리의 구현은 https://github.com/Qin87/ScaleNet/tree/Aug23 에서 공개적으로 이용 가능합니다.