확률 전파 방법을 통해 관찰된 그래프 구조를 활용하여 노드 간 연결 확률을 개선하고, 이를 바탕으로 그래프 구조와 노드 표현을 공동으로 학습하는 방법을 제안한다.
그래프 신경망에서 순위 붕괴는 과도한 평활화와 과도한 상관관계의 근본 원인이다.
그래프 신경망에서 노드 콘텐츠 정보의 영향력을 유지하고 향상시키는 새로운 방법을 제안한다.
그래프 구조 정보를 명시적으로 사용하지 않고도 다층 퍼셉트론이 그래프 구조 정보를 효과적으로 모델링할 수 있는 방법을 제안한다.
그래프 신경망은 동적 그래프와 속성 그래프에 대해 1-WL 테스트와 동일한 표현력을 가지며, 1-WL/펼침 트리 동등성을 만족하는 함수를 근사할 수 있다.
Edge-Level Ego-Network 인코딩을 통해 Message Passing Graph Neural Networks (MP-GNNs)의 성능을 향상시킬 수 있다.
그래프 구조 정보를 효과적으로 활용하여 그래프 트랜스포머의 성능을 향상시킨 Gradformer 모델을 제안한다.
그래프 신경망은 그래프 입력을 처리할 수 있는 고유한 능력으로 인해 기계 학습 분야에서 점점 더 인기를 얻고 있습니다. 그러나 이러한 신경망은 안전 중요 환경에서 사용되기 전에 공식적으로 검증되어야 합니다. 이 연구는 노드 특성과 그래프 구조의 불확실성을 모두 고려하여 일반적인 그래프 합성곱 신경망 아키텍처의 강건성을 검증하는 첫 번째 접근법을 제시합니다.
SPGNN은 그래프 컨볼루션과 새로운 WL-SortPool 기법을 통해 그래프 내 중요한 하위 그래프 패턴을 효과적으로 인식한다.
연속 커널을 이용한 일반적인 그래프 컨볼루션 프레임워크를 제안하여, 기존 그래프 컨볼루션 기법의 한계를 극복하고 그래프 변환기와 동등한 표현력을 달성하였다.