강건한 반지도 분류를 위한 구조 적응형 그래프 학습 탐색

그래프 합성곱 신경망(GCNNs)은 합성곱이 그래프 구조의 토폴로지에 의해 안내되는 그래프 구조 데이터에 대한 CNN의 일반화입니다. 그래프가 없는 많은 경우에는 기존 방법이 수동으로 그래프를 구성하거나 작업 중심의 적응형 그래프를 학습합니다. 본 논문에서는 데이터와 작업 모두에서 그래프(특히 인접 행렬)의 최적화를 활용하는 그래프 학습 신경망(GLNNs)을 제안합니다. 우리는 스펙트럴 그래프 이론을 활용하여 희소성 제약, 유효한 인접 행렬의 특성 및 최대 사후 추정을 통한 그래프 라플라스 정규화기를 통해 그래프 학습의 목표를 제안합니다. 그런 다음 최적화 목표를 GCNN의 손실 함수에 통합하여 그래프 토폴로지가 특정 작업의 레이블뿐만 아니라 입력 데이터에도 적응하도록 합니다. 실험 결과는 우리가 제안한 GLNN이 반지도 분류를 위한 널리 채택된 소셜 네트워크 데이터셋과 인용 네트워크 데이터셋에서 최첨단 접근 방식을 유의미하게 초월함을 보여줍니다.