그래프 표현 학습을 위한 그래프 게이팅 유닛을 갖춘 다층 퍼셉트론의 제안 및 유한요소법(FEM)을 위한 대체 모델에의 응용

GNN은 그래프 구조 데이터의 표현 학습을 위한 신경망으로, 대부분의 경우 그래프 컨볼루션 층을 반복적으로 쌓아 구성된다. n층을 반복적으로 쌓는 것은 이웃 노드 정보를 n단계까지 전파하는 것과 동일하므로, GNN은 큰 그래프를 학습하기 위해 충분히 많은 층을 필요로 한다. 그러나 과도한 평활화(over-smoothing) 문제로 인해 모델 성능이 저하되는 경향이 있다. 본 논문에서는 GCN을 기반으로 게이팅 구조를 갖춘 전방향 신경망을 반복적으로 쌓는 새로운 GNN 모델을 제안하여, 과도한 평활화 문제를 해결하고, 대규모 그래프를 학습하는 데서 발생하는 어려움을 극복하고자 하였다. 실험 결과, 제안한 방법은 20층까지도 과도한 평활화 없이 예측 정확도를 단조롭게 향상시키는 것으로 나타났으나, 기존 방법은 4~8층에서 이미 성능 저하가 발생하였다. 대규모 그래프에 대한 두 가지 실험, 즉 유도적 노드 분류의 기준 데이터셋인 PPI 데이터셋과 유한요소법의 대체 모델(서로게이트 모델)에 대한 응용에서, 제안한 방법은 기존 방법들 중 가장 높은 정확도를 달성하였으며, 특히 PPI 데이터셋에서는 최신 기술 수준의 정확도 99.71%를 기록하였다.