Core Concepts
그래프 신경망의 표현력을 높이기 위해 노드 상대 엔트로피와 심층 강화 학습을 활용하여 그래프 구조를 최적화하는 GraphRARE 프레임워크를 제안한다.
Abstract
이 논문은 그래프 신경망(GNN)의 성능을 향상시키기 위한 GraphRARE 프레임워크를 제안한다. 기존 GNN 모델은 동질성 가정에 기반하여 인접 노드의 정보만을 활용하므로, 이종 그래프에서 성능이 저하된다.
GraphRARE는 다음과 같은 핵심 구성요소를 가진다:
- 노드 상대 엔트로피: 노드 특징과 구조 정보를 모두 고려하여 노드 간 유사도를 측정한다.
- 강화 학습 기반 그래프 구조 최적화: 각 노드의 개성을 고려하여 최적의 이웃 노드를 선택하고 연결한다.
- GNN과 강화 학습의 end-to-end 통합 학습: 그래프 구조 최적화와 노드 분류 성능 향상을 동시에 달성한다.
실험 결과, GraphRARE는 기존 GNN 모델 대비 평균 5.95%~7.81% 성능 향상을 보였으며, 특히 이종 그래프 데이터셋에서 두드러진 성능 개선을 보였다. 또한 동질적 그래프에서도 우수한 성능을 나타냈다.
Stats
이종 그래프에서 GraphRARE는 기존 GCN 모델 대비 평균 5.95% 성능 향상을 보였다.
GraphSAGE-RARE는 기존 GraphSAGE 모델 대비 평균 7.81% 성능 향상을 보였다.
GAT-RARE는 기존 GAT 모델 대비 평균 5.14% 성능 향상을 보였다.
H2GCN-RARE는 기존 H2GCN 모델 대비 평균 4.23% 성능 향상을 보였다.
Quotes
"GraphRARE는 노드 상대 엔트로피와 심층 강화 학습을 활용하여 그래프 구조를 최적화함으로써 GNN의 표현력을 향상시킨다."
"실험 결과, GraphRARE는 이종 그래프 데이터셋에서 기존 최고 성능 모델 대비 평균 6.69% 성능 향상을 보였다."