초록
그래프 신경망(GNN)에서 학습된 고품질의 노드 임베딩은 다양한 노드 기반 응용 분야에 활용되어 일부 사례에서는 최첨단(SOTA) 성능을 달성하기도 했다. 그러나 GNN을 통해 학습된 노드 임베딩을 그래프 임베딩 생성에 적용할 때, 스칼라 형태의 노드 표현은 노드 및 그래프의 특성을 효율적으로 보존하기에 부족할 수 있으며, 이로 인해 최적의 그래프 임베딩을 얻기 어려운 문제가 발생한다.캡슐 신경망(CapsNet)의 아이디어를 영감으로 삼아, 기존 GNN 기반 그래프 임베딩 알고리즘의 약점을 보완하기 위해 캡슐 그래프 신경망(CapsGNN)을 제안한다. CapsGNN은 캡슐의 개념을 도입하여 노드 특징을 캡슐 형태로 추출함으로써, 라우팅 메커니즘을 활용해 그래프 수준에서 중요한 정보를 효과적으로 포착할 수 있다. 그 결과, 각 그래프에 대해 다양한 관점에서 그래프 특성을 반영할 수 있도록 다수의 임베딩을 생성한다. 또한 CapsGNN에 통합된 어텐션 모듈은 크기가 다양한 그래프에 대한 처리를 가능하게 하며, 모델이 그래프의 핵심 부분에 집중할 수 있도록 한다.10개의 그래프 구조 데이터셋을 대상으로 수행한 광범위한 평가 결과, CapsGNN은 데이터 주도적인 방식으로 전체 그래프의 거시적 특성을 효과적으로 포착할 수 있는 강력한 메커니즘을 갖추고 있음을 입증하였다. 특히 새로운 도구를 통해 여러 그래프 분류 작업에서 기존의 최첨단 기법들을 상회하는 성능을 보였다.