Core Concepts
그래프 신경망의 일반화 능력 저하는 통계적 상관관계와 인과 추론을 통해 해결될 수 있습니다.
Abstract
그래프 신경망은 훈련 그래프와 테스트 그래프 간의 분포 이동을 고려하지 않고 제안되었습니다.
통계적 상관관계와 인과 추론을 통해 안정적인 그래프 신경망 모델을 제안합니다.
실험 결과는 제안된 모델이 최신 기술을 능가하고 기존 그래프 신경망을 향상시키는 유연한 프레임워크를 제공함을 입증합니다.
Stats
GNN 방법은 데이터셋을 분할할 때 5.66%에서 20%의 저하가 발생합니다.
Quotes
"그래프 신경망의 일반화 능력 저하는 통계적 상관관계와 인과 추론을 통해 해결될 수 있습니다." - 저자