구별이 사라지는 표현
그래프 합성곱을 반복하면 노드 임베딩 사이의 구별이 줄어들 수 있다. 원 연구는 깊이에 따른 성능 저하의 원인 중 하나인 과도한 평활화를 두 해석에서 살펴보고 정량화하려 했다.
표현의 지나친 유사성 방지
그래프 합성곱 연산자를 분석해 모든 노드 표현이 지나치게 비슷해지는 것을 막는 정규화 층을 제안했다. 별도 학습 매개변수 없이 기존 그래프 신경망에 적용하는 구성이다.
여러 모형의 평가
원 연구는 실제 그래프에서 더 깊은 GCN과 GAT 및 단순 그래프 합성곱에 적용했다. 깊은 신경망의 이점이 나타나는 새로운 문제 설정도 함께 평가했다.
관련 문서
GCNII / GAT 그래프 어텐션 / 단순 그래프 합성곱 / 정규화 / 그래프 신경망 / 표현 학습