From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited
Created by
Haebom
저자
Zheng Wang, Hongming Ding, Li Pan, Jianhua Li, Zhiguo Gong, Philip S. Yu
개요
본 논문은 그래프 기반 준지도 학습(GSSL)에서 기존의 클러스터 가정 기반의 얕은 학습 방법과 최근 주목받는 그래프 합성곱 신경망(GCN)의 관계를 통합된 최적화 프레임워크 내에서 이론적으로 논의합니다. 특히, 기존 방법과 달리 일반적인 GCN이 각 계층에서 그래프 구조와 레이블 정보를 함께 고려하지 않을 수 있다는 점을 밝힙니다. 이를 바탕으로 레이블 정보를 이용하는 지도 학습 방법 OGC와 그래프 구조 정보를 보존하는 비지도 학습 방법 GGC 및 그 다중 스케일 버전 GGCM 세 가지 새로운 그래프 합성곱 방법을 제안하고, 광범위한 실험을 통해 그 효과를 보여줍니다. 소스 코드는 공개되어 있습니다.
시사점, 한계점
•
시사점:
◦
기존 GCN의 한계점을 이론적으로 밝히고, 이를 개선하는 새로운 GCN 기반 방법들을 제시합니다.
◦
레이블 정보와 그래프 구조 정보를 효과적으로 활용하는 새로운 GSSL 방법들을 제안합니다.
