이웃 혼합의 표현력
기존의 일부 그래프 반지도 학습 방법은 일반적인 이웃 혼합 관계를 배우지 못한다는 한계를 분석했다. MixHop은 거리가 다른 이웃의 특징 표현을 반복적으로 섞어 이런 관계를 표현한다.
차이 연산의 학습
단순한 이웃 평균을 넘어서 차이 연산을 포함하는 관계를 학습하는 방향을 제안했다. 여러 거리의 정보를 사용해 각 자료에 필요한 이웃 혼합을 구성하는 접근이다.
학습한 구조의 분석
희소성 정규화로 모형이 어떤 이웃 정보를 우선 사용하는지 분석할 수 있게 했다. 원 연구는 학습된 구조를 비교하며 자료마다 유용한 이웃 혼합이 달라짐을 조사했다.
관련 문서
H2GCN / Geom-GCN / 희소성 / 그래프 합성곱 신경망 / Jumping Knowledge 신경망 / 표현 학습