이 논문은 준지도 학습 환경에서 그래프 신경망(GNN) 모델들을 효과적으로 앙상블하는 방법인 E2GNN을 제안한다.
주요 내용은 다음과 같다:
GNN 모델들은 개별적으로 다양한 노드에 대해 정확한 예측을 하는 경향이 있어, 이를 활용하여 성능을 향상시킬 수 있다.
그러나 GNN 모델들은 추론 속도가 느리고, 레이블이 부족한 환경에서는 성능이 제한적이므로, 이를 해결하기 위해 E2GNN을 제안한다.
E2GNN은 다양한 GNN 모델의 지식을 압축된 MLP 모델로 효율적으로 결합한다. 특히, 강화학습 기반의 메타 정책 네트워크를 통해 각 노드별로 가장 적합한 GNN 모델을 선택하거나 모든 GNN 모델의 예측을 거부할 수 있다.
실험 결과, E2GNN은 다양한 벤치마크 데이터셋과 GNN 백본에서 우수한 성능을 보였으며, 특히 특징 및 토폴로지 노이즈에 대한 강건성도 확인되었다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問