GNN-Diff는 그래프 정보를 활용한 잠재 확산 모델을 통해 최소한의 하이퍼파라미터 튜닝으로 고성능 그래프 신경망(GNN) 파라미터를 생성하는 프레임워크입니다.
본 논문에서는 그래프 변환 기법을 GNN 모델의 전처리 단계로 활용하여 그래프 동형을 유지하면서 표현력을 향상시키는 방법을 연구하고, 그 효과와 함께 복잡한 그래프 구조에서 발생하는 한계점을 분석합니다.
본 논문에서는 그래프 신경망(GNN)의 테스트 시 성능 향상을 위해 리아프노프 안정성 이론에 기반한 새로운 노드 특징 재구성 방법을 제안합니다.