관계 조합의 학습
GTN의 핵심 층은 간선 유형을 부드럽게 선택하고 여러 관계를 합성한다. 이를 통해 여러 단계를 잇는 메타패스를 만들며, 전문가가 메타패스를 미리 지정하는 의존도를 줄인다.
새 그래프 위의 표현
자료와 과제에 맞게 연결 구조를 생성하면서 새 그래프에 대한 합성곱으로 노드 표현도 함께 학습한다. 고정된 동종 그래프만 사용하는 설정에서 벗어나 이종 관계와 잘못 지정된 연결을 다루려는 접근이다.
FastGTN으로의 확장
후속 연구의 FastGTN은 같은 그래프 변환을 더 적은 연산과 메모리로 수행하도록 확장했다. 노드의 의미적 근접성에 따른 비국소 연산도 도입하고 동종 및 이종 그래프의 노드 분류를 평가했다.
관련 문서
MAGNN / HAN 이종 그래프 어텐션 / HGT 이종 그래프 트랜스포머 / metapath2vec / 이산 그래프 구조 학습 / 그래프 신경망