Keskeiset käsitteet
본 논문에서는 그래프 신경망(GNN)의 테스트 시 성능 향상을 위해 리아프노프 안정성 이론에 기반한 새로운 노드 특징 재구성 방법을 제안합니다.
Tiivistelmä
그래프 신경망 성능 향상을 위한 새로운 접근 방식: 리아프노프 안정성 기반 신경망 컨트롤러
본 연구 논문은 테스트 시 노드 특징 재구성을 통해 그래프 신경망(GNN)의 성능을 향상시키는 새로운 방법을 제시합니다.
기존 GNN은 훈련 샘플과 테스트 샘플 간의 분포 차이에 취약하여 성능 저하 문제를 겪어왔습니다. 본 연구는 테스트 단계에서 모델 파라미터를 수정하지 않고 노드 특징을 재구성하여 GNN의 성능을 향상시키는 것을 목표로 합니다.
본 논문에서는 GNN을 제어 시스템으로 모델링하고, 노드 특징을 제어 변수로, 예측값을 상태로 간주합니다. 그리고 리아프노프 안정성 이론에 기반한 신경망 컨트롤러를 활용하여 노드 특징을 재구성합니다.
주요 특징
신경망 컨트롤러: GNN의 비선형성을 효과적으로 처리하기 위해 신경망 컨트롤러를 사용합니다. 이 컨트롤러는 노드 특징을 조정하여 예측값이 실제값에 점진적으로 근접하도록 유도합니다.
리아프노프 안정성: 컨트롤러의 안정성을 보장하기 위해 리아프노프 안정성 기준을 적용합니다. 이를 통해 시스템 출력이 실제값 근처에서 안정적으로 유지되도록 합니다.
신경망 리아프노프 함수: 복잡한 컨트롤러에 대한 리아프노프 함수를 수동으로 설계하는 어려움을 해결하기 위해 신경망을 통해 리아프노프 함수를 근사하는 신경망 리아프노프 함수를 도입합니다.