그래프 분류를 위한 엔드투엔드 딥러닝 아키텍처

신경망은 일반적으로 텐서 형태의 데이터를 처리하도록 설계된다. 본 논문에서는 임의의 구조를 가진 그래프를 직접 입력으로 받는 새로운 신경망 아키텍처를 제안한다. (G, y) 형태의 그래프 데이터셋을 고려할 때, 여기서 G는 그래프이고 y는 해당 그래프의 클래스를 의미한다. 우리는 그래프를 직접 읽고 분류 함수를 학습할 수 있는 신경망을 개발하는 것을 목표로 한다. 이 과정에서 두 가지 주요 과제가 존재한다. 첫째, 그래프 내에 포함된 풍부한 정보를 분류 목적에 적합한 유용한 특징으로 추출하는 방법이며, 둘째, 그래프를 의미 있고 일관된 순서로 순차적으로 읽는 방식이다. 첫 번째 과제를 해결하기 위해 국소화된 그래프 컨볼루션 모델을 설계하고, 이 모델이 두 가지 그래프 커널과의 관계를 밝혀낸다. 두 번째 과제를 해결하기 위해 기존의 신경망이 그래프에 적용될 수 있도록 정점들을 일관된 순서로 정렬하는 새로운 SortPooling 레이어를 제안한다. 기준 데이터셋에서 수행된 실험 결과, 제안하는 아키텍처는 최첨단 그래프 커널 및 기타 그래프 신경망 기법들과 경쟁 가능한 높은 성능을 달성함을 보여준다. 더불어, 본 아키텍처는 그래프를 벡터로 변환하는 전처리 과정 없이도 원래의 그래프 상태에서 엔드투엔드 기반의 기울기 기반 학습이 가능하다는 장점을 지닌다.