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.
לשפה אחרת
מתוכן המקור
arxiv.org
תובנות מפתח מזוקקות מ:
by Ziyan Wang, ... ב- arxiv.org 09-19-2024
https://arxiv.org/pdf/2407.10688.pdfשאלות מעמיקות