큰 그래프 학습의 비용
층이 깊어질수록 이웃 탐색의 계산이 크게 늘거나 전체 그래프와 모든 노드 표현을 메모리에 유지해야 하는 문제가 있다. Cluster-GCN은 그래프의 군집 구조를 이용한 확률적 경사 학습을 제안했다.
조밀한 부분 그래프의 배치
그래프 군집 알고리즘이 찾은 조밀한 부분 그래프에 해당하는 노드 블록을 매 단계 표본 추출한다. 이웃 탐색을 그 부분 그래프 안으로 제한해 배치 내부의 연결 정보를 활용한다.
확장성의 평가
원 연구는 200만 노드와 6100만 간선의 Amazon2M 자료를 구성해 큰 그래프에서 평가했다. 여러 층 깊이에서 학습 시간과 메모리 사용량 및 예측 성능을 함께 비교했다.
관련 문서
그래프 합성곱 신경망 / 군집화 / 부분 그래프 / 확률적 경사 하강법 / GraphSAGE / Open Graph Benchmark