SPI-GCN: 간단한 순열 불변 그래프 컨볼루션 네트워크

그래프 구조 데이터를 다루는 문제는 다양한 기계학습 작업에서 흔히 나타납니다. 그러나 기존의 그래프 기반 기계학습 접근법은 종종 비용이 큰 그래프 유사도 측정을 수행하거나 입력 그래프에 대한 사전 처리를 수행하며, 노드의 명시적 순서를 정하는 것을 수반합니다. 본 연구에서는 노드 순열에 대해 증명 가능한 불변성을 갖는 새로운 간단한 합성곱 신경망 아키텍처를 제안합니다. 제안된 아키텍처는 임의의 그래프에 직접 작동하며, 노드 정렬을 수행하지 않습니다. 또한 기존의 그래프 기반 깊은 학습 방법에서 흔히 사용되는 합성곱 층 대신 간단한 다층 퍼셉트론을 예측에 활용합니다. 이러한 단순성에도 불구하고, 제안한 아키텍처는 벤치마크 그래프 분류 데이터셋에서 최첨단 그래프 커널 및 기존 그래프 신경망과 경쟁력을 갖습니다. 여러 다중 클래스 분류 과제에서 다른 그래프 기반 깊은 학습 알고리즘보다 명확히 우수한 성능을 보였습니다. 또한 재료 과학 분야의 실제 응용 사례에 본 방법을 적용하여 매우 합리적인 결과를 달성하였습니다.