동질성 가정의 제약
연결된 노드가 같은 클래스이거나 비슷한 특징을 가진다는 가정은 모든 그래프에서 성립하지 않는다. 원 연구는 이런 동질성이 낮은 반지도 노드 분류에서 기존 그래프 모형의 표현력과 일반화를 조사했다.
세 설계의 조합
자기 노드의 임베딩과 이웃 임베딩을 분리하고 더 높은 차수의 이웃을 활용한다. 여러 중간 표현도 결합해 이질적 연결 조건에서 구조를 배우도록 하며 이를 H2GCN으로 구성했다.
조건을 넓힌 평가
합성 그래프와 실제 그래프에서 동질성이 낮은 경우를 평가했다. 세 설계를 제거하거나 포함하는 비교로 효과를 분석하고 동질적인 그래프에서도 성능을 조사했다.
관련 문서
그래프 신경망 / GraphSAGE / GCNII / Jumping Knowledge 신경망 / 반지도 학습 / 표현 학습