메시지 전달 신경망은 다양한 그래프 마이닝 응용에서 널리 사용된다. 그러나 이러한 방법은 라벨이 있는 데이터의 부족에 취약하며, 이로 인해 과적합이 자주 발생한다. 우리의 관찰에 따르면, 희소한 초기 벡터는 학습 가능한 매개변수의 범위를 충분히 대변하지 못함으로써 이 문제를 더욱 악화시킨다. 이러한 희소성은 초기 투영 행렬에서 특정 차원의 최적화를 방해할 수 있는데, 이는 학습 샘플이 해당 매개변수를 적절히 포괄하지 못할 수 있기 때문이다. 이를 극복하기 위해, 초기 특징과 투영 초평면에 변동성을 도입하는 새로운 섭동(perturbation) 기법을 제안한다. 특히, 격자 탐색(grid search)을 사용하지 않더라도, 작은 추정값을 이용한 이동(shift)이 다른 섭동 방법들보다 이 문제를 더 효과적으로 완화함을 보인다. 실제 데이터셋에 대한 실험 결과, 본 기법은 반지도(semi-supervised) 시나리오에서 노드 분류 정확도를 유의미하게 향상시킨다.

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