그래프 컨볼루션 네트워크 학습 장치에 의해 수행되는 그래프 컨볼루션 네트워크 학습 방법에 있어서, 분류하고자 하는 노드의 안정적인 학습이 가능하도록 정규화 레이어(Normalization layer)를 생성하는 단계; 상기 노드의 학습 중 컨볼루션 레이어(Convolution layer) 다음에 상기 생성된 정규화 레이어를 위치시켜 새로운 노드 리프리젠테이션(Representation)을 생성하는 단계; 및 상기 생성된 새로운 노드 리프리젠테이션을 이용하여 노드 분류를 예측하는 단계를 포함하되,상기 정규화 레이어를 생성하는 단계는,초기 노드 특징 행렬과 학습 후의 노드 특징 행렬이 기설정된 간격을 유지하여 안정성을 확보하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 방법.

삭제

제1항에 있어서,상기 정규화 레이어를 생성하는 단계는, 상기 노드가 같은 클러스터에 해당하는 노드끼리 스무딩(Smoothing)이 일어나게 하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 방법.

제1항에 있어서,상기 정규화 레이어를 생성하는 단계는, 상기 노드가 다른 클러스터끼리 스무딩이 일어나지 않게 방지하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 방법.

제1항에 있어서,상기 정규화 레이어를 생성하는 단계는, [수학식 1]여기서, 는 l번째 레이어, 는 학습된 i번째 행의 노드 X 특징, 는 학습된 j번째 열의 노드 X 특징, 는 초기 i번째 행의 노드 X 특징, 는 초기 j번째 열의 노드 X 특징, 는 하이퍼파라미터(hyperparameter), (epsilon)는 같은 클러스터를 나타내며, 상기 [수학식 1]에 따라 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 방법.

제5항에 있어서,상기 [수학식 1]에서 항은 같은 클러스터인 (epsilon)에 포함되지 않는 i, j번째 노드 X에 대해서 스무딩되지 않게 하는 것을 나타내는, 그래프 컨볼루션 네트워크 학습 방법.

제1항에 있어서,상기 노드 리프리젠테이션을 생성하는 단계는, 상기 노드의 학습 중 특정 노드의 특징을 연결된 이웃 노드들의 특징과 곱하여 컨볼루션 레이어를 계산하는, 그래프 컨볼루션 네트워크 학습 방법.

제5항에 있어서,상기 노드 리프리젠테이션을 생성하는 단계는, 상기 [수학식 1]을 그래프 컨볼루션 신경망에 학습하는 중에, 상기 생성된 정규화 레이어를 컨볼루션 레이어 다음에 위치시켜 정규화된 새로운 노드 리프리젠테이션을 생성하는, 그래프 컨볼루션 네트워크 학습 방법.

제1항에 있어서,상기 노드 리프리젠테이션을 생성하는 단계는, 상기 노드의 학습 중 컨볼루션 레이어 다음에 상기 생성된 정규화 레이어를 위치시켜 상기 생성된 정규화 레이어에 의한 정규화(Normalization)를 통해 확률 분포를 바로 잡아주는, 그래프 컨볼루션 네트워크 학습 방법.

제1항에 있어서,상기 노드 분류를 예측하는 단계는, 상기 생성된 새로운 노드 리프리젠테이션의 소프트맥스 스코어(Softmax score)를 계산하여 노드 분류를 예측하는, 그래프 컨볼루션 네트워크 학습 방법.

하나 이상의 프로그램을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 분류하고자 하는 노드의 안정적인 학습이 가능하도록 정규화 레이어(Normalization layer)를 생성하고, 상기 노드의 학습 중 컨볼루션 레이어(Convolution layer) 다음에 상기 생성된 정규화 레이어를 위치시켜 새로운 노드 리프리젠테이션(Representation)을 생성하고, 상기 생성된 새로운 노드 리프리젠테이션을 이용하여 노드 분류를 예측하되,상기 프로세서는,초기 노드 특징 행렬과 학습 후의 노드 특징 행렬이 기설정된 간격을 유지하여 안정성을 확보하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 장치.

삭제

제11항에 있어서,상기 프로세서는, 상기 노드가 같은 클러스터에 해당하는 노드끼리 스무딩(Smoothing)이 일어나게 하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 장치.

제11항에 있어서,상기 프로세서는, 상기 노드가 다른 클러스터끼리 스무딩이 일어나지 않게 방지하는 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 장치.

제11항에 있어서,상기 프로세서는, [수학식 1]여기서, 는 l번째 레이어, 는 학습된 i번째 행의 노드 X 특징, 는 학습된 j번째 열의 노드 X 특징, 는 초기 i번째 행의 노드 X 특징, 는 초기 j번째 열의 노드 X 특징, 는 하이퍼파라미터(hyperparameter), (epsilon)는 같은 클러스터를 나타내며, 상기 [수학식 1]에 따라 정규화 레이어를 생성하는, 그래프 컨볼루션 네트워크 학습 장치.

제15항에 있어서,상기 [수학식 1]에서 항은 같은 클러스터인 (epsilon)에 포함되지 않는 i, j번째 노드 X에 대해서 스무딩되지 않게 하는 것을 나타내는, 그래프 컨볼루션 네트워크 학습 장치.

제11항에 있어서,상기 프로세서는, 상기 노드의 학습 중 특정 노드의 특징을 연결된 이웃 노드들의 특징과 곱하여 컨볼루션 레이어를 계산하는, 그래프 컨볼루션 네트워크 학습 장치.

제15항에 있어서,상기 프로세서는, 상기 [수학식 1]을 그래프 컨볼루션 신경망에 학습하는 중에, 상기 생성된 정규화 레이어를 컨볼루션 레이어 다음에 위치시켜 정규화된 새로운 노드 리프리젠테이션을 생성하는, 그래프 컨볼루션 네트워크 학습 장치.

제11항에 있어서,상기 프로세서는, 상기 노드의 학습 중 컨볼루션 레이어 다음에 상기 생성된 정규화 레이어를 위치시켜 상기 생성된 정규화 레이어에 의한 정규화(Normalization)를 통해 확률 분포를 바로 잡아주는, 그래프 컨볼루션 네트워크 학습 장치.

제11항에 있어서,상기 프로세서는, 상기 생성된 새로운 노드 리프리젠테이션의 소프트맥스 스코어(Softmax score)를 계산하여 노드 분류를 예측하는, 그래프 컨볼루션 네트워크 학습 장치.

프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 분류하고자 하는 노드의 안정적인 학습이 가능하도록 정규화 레이어(Normalization layer)를 생성하는 단계; 상기 노드의 학습 중 컨볼루션 레이어(Convolution layer) 다음에 상기 생성된 정규화 레이어를 위치시켜 새로운 노드 리프리젠테이션(Representation)을 생성하는 단계; 및 상기 생성된 새로운 노드 리프리젠테이션을 이용하여 노드 분류를 예측하는 단계를 포함하되,상기 정규화 레이어를 생성하는 단계는,초기 노드 특징 행렬과 학습 후의 노드 특징 행렬이 기설정된 간격을 유지하여 안정성을 확보하는 정규화 레이어를 생성하는, 비일시적 컴퓨터 판독 가능한 저장 매체.