자료와 구조의 결합
자료 자체에서 특징을 추출하는 데 더해 자료 사이의 구조를 군집화에 반영한다. 오토인코더가 배운 여러 수준의 표현과 그래프의 낮은 차수 및 높은 차수 구조를 함께 사용한다.
층별 표현의 전달
오토인코더에서 배운 표현을 대응하는 그래프 합성곱 층으로 옮기는 전달 연산자를 둔다. 이중 자기 감독 기법으로 두 신경망을 통합하고 전체 모형의 갱신을 안내한다.
정규화와 과도한 평활화
원 연구는 전달 연산자를 이론적으로 분석했다. 그래프 합성곱이 오토인코더 표현에 고차 그래프 정규화 제약을 주고 오토인코더는 그래프 합성곱의 과도한 평활화를 줄이는 역할을 한다고 설명했다.
관련 문서
그래프 합성곱 신경망 / 오토인코더 / 군집화 / DAEGC / 변분 그래프 오토인코더 / 표현 학습