Core Concepts
정규화된 라플라시안 행렬의 고유값 중복이 그래프 신경망의 표현력을 제한하므로, 고유값 보정 전략을 통해 고유값의 균일한 분포를 만들어 표현력을 향상시킬 수 있다.
Abstract
이 논문은 스펙트럼 그래프 신경망의 표현력 향상을 위한 고유값 보정 전략을 제안한다.
먼저, 실제 그래프에서 정규화된 라플라시안 행렬의 고유값이 많이 중복되는 현상을 관찰하고, 이것이 다항식 필터의 표현력을 제한한다는 것을 이론적으로 증명한다.
이를 해결하기 위해 제안하는 고유값 보정 전략은 원래의 고유값과 균등 간격으로 샘플링한 고유값을 결합하여 고유값의 분포를 균일하게 만든다. 이를 통해 다항식 필터의 적합 능력과 표현력을 향상시킬 수 있다.
실험 결과, 제안 방법은 합성 데이터와 실세계 데이터에서 기존 방법들을 크게 능가하는 성능을 보였다. 특히 이질적인 그래프에서 큰 성능 향상을 보였는데, 이는 제안 방법이 다양한 주파수 성분을 효과적으로 학습할 수 있기 때문이다.
Stats
정규화된 라플라시안 행렬의 고유값 분포가 실제 그래프에서 많은 중복을 보인다.
Cora 데이터셋의 경우 전체 고유값 중 81.2%만이 서로 다른 값을 가진다.
Citeseer 데이터셋의 경우 56.7%, Pubmed 데이터셋의 경우 38.5%만이 서로 다른 고유값을 가진다.
Quotes
"정규화된 라플라시안 행렬의 고유값 중복이 많을수록 다항식 필터의 표현력이 제한된다."
"제안하는 고유값 보정 전략은 원래의 고유값과 균등 간격으로 샘플링한 고유값을 결합하여 고유값의 분포를 균일하게 만든다."