Core Concepts
그래프 신경망에서 노드 감소 풀링 기법을 제안하여 효율적이면서도 경쟁력 있는 성능을 달성하였다.
Abstract
이 논문에서는 그래프 신경망(GNN)에서 사용할 수 있는 새로운 풀링 연산자인 노드 감소 풀링(NDP)을 제안한다. NDP는 그래프의 전체 구조를 유지하면서 노드 수를 줄이는 방식으로 작동한다.
NDP는 다음의 3단계로 구성된다:
스펙트럴 알고리즘을 사용하여 그래프 노드를 두 개의 집합으로 분할한다. 이때 MAXCUT 목적함수를 최대화하도록 한다.
분할된 집합 중 한 집합의 노드를 제거하고, Kron 축소를 통해 남은 노드들을 연결하여 더 작은 그래프를 생성한다.
생성된 그래프가 매우 밀집되어 있으므로, 가중치가 작은 간선을 제거하는 스파스화 절차를 적용한다.
이렇게 생성된 일련의 축소된 그래프들은 오프라인에서 사전 계산되며, GNN 학습 과정에서 활용된다. 실험 결과, NDP는 기존 그래프 풀링 기법들에 비해 효율성이 높으면서도 다양한 그래프 분류 작업에서 경쟁력 있는 성능을 보여주었다.
Stats
그래프 분류 작업에서 NDP는 기존 기법들에 비해 더 효율적이면서도 경쟁력 있는 성능을 보여주었다.
NDP는 오프라인에서 사전 계산된 축소 그래프들을 활용하므로, 실시간 계산 비용이 낮다.
스파스화 절차를 통해 계산 복잡도를 크게 낮출 수 있다.
Quotes
"NDP는 기존 그래프 풀링 기법들에 비해 효율성이 높으면서도 다양한 그래프 분류 작업에서 경쟁력 있는 성능을 보여주었다."
"NDP는 오프라인에서 사전 계산된 축소 그래프들을 활용하므로, 실시간 계산 비용이 낮다."
"스파스화 절차를 통해 계산 복잡도를 크게 낮출 수 있다."