정책-GNN: 그래프 신경망을 위한 집계 최적화

그래프 데이터는 많은 실제 애플리케이션에서 광범위하게 사용됩니다. 최근에는 이웃으로부터 정보를 집계하여 지역 그래프 구조를 모델링하고 계층적 패턴을 포착하는 그래프 신경망(GNNs)에 대한 관심이 증가하고 있습니다. 서로 다른 노드가 구조 정보를 완전히 포착하기 위해 종종 서로 다른 집계 반복을 요구한다는 관찰에서 착안하여, 본 논문에서는 GNN의 성능을 향상시키기 위해 서로 다른 노드에 대해 다양한 집계 반복을 명시적으로 샘플링할 것을 제안합니다. 복잡한 그래프와 희소한 특징을 고려할 때 각 노드에 대한 효과적인 집계 전략을 개발하는 것은 도전적인 작업입니다. 또한, 샘플링된 노드를 서로 다른 수의 네트워크 계층에 입력해야 하므로 효율적인 알고리즘을 도출하기도 간단하지 않습니다. 이러한 문제를 해결하기 위해, 우리는 샘플링 절차와 GNN의 메시지 전달을 결합된 학습 과정으로 모델링하는 메타 정책 프레임워크인 정책-GNN을 제안합니다. 구체적으로, 정책-GNN은 메타 정책을 사용하여 각 노드에 대한 집계의 수를 적응적으로 결정합니다. 메타 정책은 모델의 피드백을 활용하여 심층 강화 학습(RL)으로 훈련됩니다. 우리는 또한 훈련 효율성을 높이기 위해 파라미터 공유 및 버퍼 메커니즘을 도입합니다. 세 개의 실제 벤치마크 데이터셋에 대한 실험 결과는 정책-GNN이 최신의 대안보다 상당히 우수하다는 것을 보여주며, GNN을 위한 집계 최적화의 가능성을 나타냅니다.