블록 모델링 기반 그래프 컨볼루션 신경망

그래프 컨볼루션 네트워크(GCN)는 그래프 표현 탐색의 놀라운 잠재력을 보여주었습니다. 그러나 GCN 집계 메커니즘은 대부분의 노드가 서로 다른 클래스의 이웃을 가진 이종성 네트워크에 일반화되지 못합니다. 이러한 네트워크는 실제 세계에서 일반적으로 존재합니다. GCN의 전파 및 집계 메커니즘이 동종성과 이종성(또는 이들의 혼합)을 모두 적합하게 만들기 위해, 우리는 GCN 프레임워크에 블록 모델링을 도입하여 "블록 기반 분류 집계"를 실현하고, 서로 다른 클래스의 이웃에 대한 해당 집계 규칙을 자동으로 학습할 수 있도록 합니다. 블록 모델링을 집계 과정에 통합함으로써, GCN은 동종성 정도에 따라 동종 및 이종 이웃으로부터 정보를 자동으로 차별적으로 집계할 수 있습니다. 우리는 이종성 문제를 다루는 최신 방법과 우리 알고리즘을 비교했습니다. 경험적 결과는 이종성 데이터셋에서 기존 방법보다 우리의 새로운 접근 방식의 우수성을 입증하면서 동종성 데이터셋에서도 경쟁력 있는 성능을 유지합니다.