전달성 커널을 사용한 그래프 컨볼루션 네트워크 기반 간선 예측

Abstract

최근에 컨볼루션 네트워크를 그래프 분야로 확장한 그래프 컨볼루션 네트워크는 노드 분류, 그래프 분류, 링크 예측 등의 여러 그래프 분석 문제에서 훌륭한 성능을 보였다. 하지만 그래프 컨볼루션 네트워크들은 각 노드의 인접한 구조만을 파악하여 노드를 저차원 벡터로 표현하여 학습하는 특성이 있다. 전체적인 구조를 반영하려는 고차 그래프 컨볼루션 네트워크들이 제시되었다. 하지만 기존의 고차 그래프 컨볼루션 네트워크들은 그래프의 간선을 예측하는데에는 좋은 성능을 보이지 못하고 있다. 본 논문에서는 기존의 고차 그래프 컨볼루션 네트워크들이 길이가 다른 경로에서 얻어진 정보들을 차등적으로 받아들이지 못하는 문제를 지적한다. 그리고 이러한 한계를 보완하기 위해서, 전달성 커널을 활용하여 간선 예측에 알맞게 전체 그래프의 구조를 반영한 고차 그래프 컨볼루션 네트워크를 제시한다.