Conceitos Básicos
RandAlign은 그래프 합성곱 신경망에서 발생하는 과도한 평활화 문제를 해결하기 위한 무매개변수 정규화 방법이다. 각 노드의 학습된 임베딩을 이전 레이어에서 생성된 임베딩과 무작위로 정렬함으로써 생성된 임베딩의 평활도를 줄인다.
Resumo
이 논문은 그래프 합성곱 신경망에서 발생하는 과도한 평활화 문제를 해결하기 위한 RandAlign 방법을 제안한다. 과도한 평활화 문제는 메시지 전달 과정에서 노드 임베딩이 점점 유사해져 정보가 손실되는 현상을 말한다.
RandAlign은 각 노드의 학습된 임베딩을 이전 레이어에서 생성된 임베딩과 무작위로 정렬하여 임베딩의 평활도를 줄인다. 이때 이전 레이어 임베딩의 크기를 현재 임베딩과 동일하게 조정하여 메시지 전달 과정에서 얻은 이점을 유지한다. RandAlign은 추가적인 매개변수나 하이퍼파라미터를 도입하지 않는 무매개변수 방법이다.
실험 결과, RandAlign은 다양한 그래프 합성곱 신경망 모델의 일반화 성능을 향상시키고 최신 기술 수준을 달성했다. 또한 최적화 과정의 수치적 안정성도 개선하였다.
Estatísticas
그래프 합성곱 신경망 모델의 성능이 레이어 수가 증가함에 따라 감소하는 것을 보여주는 데이터.
그래프 합성곱 신경망 모델에 RandAlign을 적용하면 레이어 수가 증가해도 성능이 향상되는 것을 보여주는 데이터.
Citações
"메시지 전달은 현재 그래프 합성곱 신경망의 핵심이지만 주요 단점도 있다. 이론적으로 메시지 전달 기반 그래프 합성곱 신경망의 능력은 Weisfeiler-Lehman 동형성 검사에 의해 본질적으로 제한된다."
"실험적으로 연구에 따르면 메시지 전달 기반 그래프 신경망은 과도한 평활화 문제에 시달린다. 이 과도한 평활화 문제는 이웃 정보 집계 작업의 결과로 볼 수 있다."