이 논문에서는 그래프 신경망(GNN)의 성능을 향상시키기 위해 확률 전파(Probability Passing) 방법을 제안한다. GNN은 관찰된 그래프 구조에 의존하므로, 관찰된 그래프에 노이즈가 존재하면 성능이 저하된다.
확률 전파 방법은 관찰된 그래프 구조를 활용하여 노드 간 연결 확률을 개선한다. 구체적으로, 중심 노드와 인접 노드 간 연결 확률을 계산할 때 인접 노드의 연결 확률 분포를 고려한다. 이를 통해 실제로 연결되어 있는 노드 간 연결 확률을 높이고, 연결되어 있지 않은 노드 간 연결 확률을 낮춘다.
또한 앵커 기반 방법을 도입하여 시간 및 메모리 복잡도를 선형으로 낮추었다. 앵커는 메시지 전달 역할을 하며, 효율성을 높인다.
실험 결과, 제안 모델인 PPGNN이 다양한 데이터셋에서 기존 방법들보다 우수한 성능을 보였다. 특히 노이즈가 많은 그래프에서도 강건한 성능을 보였다.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Ziyan Wang, ... a las arxiv.org 09-19-2024
https://arxiv.org/pdf/2407.10688.pdfConsultas más profundas