랜덤 워크 점수를 사용한 그래프 뉴럴 네트워크 기반 노드 분류

Abstract

그래프 뉴럴 네트워크는 그래프에서 노드를 벡터의 형태로 임베딩할 때, 해당 노드와 이웃 관계에 있는 노드들의 정보까지 담아서 학습하는 방법이다. 일반적으로 그래프 뉴럴 네트워크는 모든 연결된 노드들을 동등한 가중치로 생각하여 평균을 내는 방식을 사용함으로 그래프를 분석한다. 허나 이는 그래프의 구조적 연결성을 반영하지 못하였기 때문에 정확성과 신뢰도를 떨어뜨린다. 따라서 본 논문은 랜덤 워크의 점수를 통해 구조적 연결성과 유사성을 얻어내고 이를 그래프 뉴럴 네트워크에서 노드의 가중치로 부여함으로써, 노드 분류의 정확성을 높이는 방법을 제시한다. 또한 이를 노드 분류에서 실험하여 기존의 방법들과 비교한 결과로 우리 방법의 우수함을 보인다.

Graph neural networks (GNNs) are deep learning-based embedding techniques that capture the local structures and features of graphs. Traditional GNNs assume that every neighbor node has the same influence as the target node. However, each neighbor has a different influence based on its connectivity in a graph. In light of this limitation, we propose a method to increase the accuracy of GNNs by obtaining the connectivities and similarities between nodes through a random walk with restart. We also show that our method provides better accuracy in node classification tasks than existing methods.