그래프 신경망(GNN)은 그래프에서 노드 분류 과제와 링크 예측 과제에서 성공을 거두었지만, 그래프 수준 표현 학습은 여전히 도전적인 문제로 남아 있다. 그래프 수준 표현을 위해서는 인접 노드의 표현, 즉 집계(aggregation)와 그래프 구조 정보를 모두 학습하는 것이 중요하다. 이러한 목적을 위해 다수의 그래프 풀링 방법이 개발되었다. 그러나 기존의 대부분의 풀링 방법은 그래프 내에서 명시적 구조 정보를 고려하지 않은 채 k-홉 이웃을 활용한다. 본 논문에서는 이러한 한계를 극복하기 위해 사전 그래프 구조를 활용하는 구조 프로토타입 유도 풀링(Structure Prototype Guided Pooling, SPGP)을 제안한다. SPGP는 그래프 구조를 학습 가능한 프로토타입 벡터로 정식화하고, 노드와 프로토타입 벡터 간의 친화도를 계산한다. 이는 유용한 그래프 구조를 내재화하면서도 정보성이 높은 노드를 우선시하는 새로운 노드 점수 산정 기법으로 이어진다. 실험 결과, SPGP는 그래프 분류 벤치마크 데이터셋에서 정확도와 확장성 모두에 있어 기존의 최첨단 그래프 풀링 방법보다 우수함을 보여주었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.