셀프 강화 GNN: 모델 출력을 활용하여 그래프 신경망 개선하기

그래프 신경망(GNN)은 그래프 기반 작업에서의 뛰어난 성능 덕분에 최근 많은 주목을 받고 있습니다. 그러나 기존 GNN 연구는 입력 데이터의 품질에 대한 고려 없이 더 효과적인 모델 설계에 집중하고 있습니다. 본 논문에서는 기존 GNN 모델의 출력을 사용하여 입력 데이터의 품질을 개선하고 반지도 노드 분류에서 더 나은 성능을 도출하는 셀프 강화 GNN(SEG)을 제안합니다. 그래프 데이터는 토폴로지와 노드 레이블로 구성되므로, 두 가지 관점에서 입력 데이터 품질을 개선합니다. 토폴로지의 경우, 클래스 간 엣지(서로 다른 클래스의 노드를 연결하는 엣지)의 비율이 낮을 때 더 높은 분류 정확도를 달성할 수 있음을 관찰하고, 클래스 간 엣지를 제거하고 클래스 내 엣지를 추가하기 위해 토폴로지 업데이트를 제안합니다. 노드 레이블의 경우, 기존 GNN 모델에 의해 예측된 레이블을 사용하여 훈련 세트를 확장하는 노드 증강 훈련을 제안합니다. SEG는 기존 GNN 모델과 쉽게 결합할 수 있는 일반적인 프레임워크입니다. 실험 결과는 SEG가 다양한 데이터 세트에서 GCN, GAT 및 SGC와 같은 잘 알려진 GNN 모델의 성능을 일관되게 향상시킴을 확인합니다.