노드 분류 태스크에서 그래프 신경망의 수용 영역 깊이 선택

Abstract

그래프 신경망은 그래프의 구조적 정보를 기반으로 이웃 노드의 정보를 취합하여 준 지도 학습 하의 노드 분류 태스크에서 좋은 성능을 보이고 있다. 이때, 각 노드가 처한 구조적·의미론적 환경은 다 다르기 때문에 모든 노드가 동일한 이웃 노드의 수용 영역을 취하는 것은 문제가 될 수 있다. 우리는 학습이 완료된 모델로 테스트 노드를 분류하는 과정에서 수용 영역의 깊이에 따라 모델의 예측이 변화하는 특정 노드들을 관찰하였다. 이는 특정 노드들이 모델의 예측을 불안정하게 만드는 인접 환경을 가지고 있기 때문인데, 따라서 이 노드들의 수용 영역의 깊이를 잘 조절해주는 것이 성능 개선에 도움이 되는 것을 확인하였다. 본 연구에서는 노드의 분류를 불안정하게 만드는 인접 환경을 분석하고, 이 분석을 기반으로 노드 별로 수용 영역의 깊이를 조절하여 모델의 예측을 후처리하는 모델을 제안하였다. 이는 기존 연구와의 정량적/정성적 비교 분석을 통해 불안정한 노드에 대해 좋은 성능을 보임을 확인하였다.