이 논문은 그래프 신경망 모델의 메모리 효율성 향상을 위한 지식 증류 기법을 제안한다. 기존 지식 증류 방식은 의사 레이블 생성에 초점을 맞추었지만, 노이즈가 있는 의사 레이블을 안정적으로 최적화하는 방법은 간과되어 왔다.
저자들은 이 문제를 해결하기 위해 커리큘럼 학습을 도입한다. 레이블의 난이도를 점진적으로 높여가며 학습을 진행함으로써, 노이즈가 있는 의사 레이블에 대한 최적화 과정을 개선한다.
또한 저자들은 FlyKD라는 새로운 지식 증류 방식을 제안한다. FlyKD는 메모리 제한 없이 다량의 의사 레이블을 실시간으로 생성할 수 있다. 무작위 그래프 상에서 링크 예측 확률을 계산하여 의사 레이블을 생성함으로써, 학생 모델이 교사 모델의 전반적인 행동을 모방할 수 있도록 한다.
실험 결과, FlyKD는 기존 지식 증류 방식 및 LSPGCN 대비 우수한 성능을 보였다. 특히 커리큘럼 학습을 적용한 경우 큰 성능 향상을 확인할 수 있었다. 이는 노이즈가 있는 의사 레이블 최적화 과정 개선이 지식 증류 성능 향상에 핵심적임을 시사한다.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Eugene Ku às arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.10807.pdfPerguntas Mais Profundas