• Background

그래프 데이터에 적용 가능한 신경망

목적

이웃 노드들 간의 정보로 대상 노드를 잘 나타내자.

이를 위해 특징(벡터)을 잘 찾아내야 한다.

기본 방법 — 데이터를 인접 행렬로 변환하여 MLP에 사용

단점

• 노드가 증가하면 인접행렬의 차원이 계속 증가한다.
• 노드가 많아질수록 연산량이 기하급수적으로 많아진다.
• 노드의 순서가 바뀌면 의미가 달라질 수 있다.

• Aggregate

  $\quad a_v^{(k-1)}=\operatorname{aggregate}^k\left(\left\{h_{\mathrm{u}}^{(k-1)}, \forall u \in N(v)\right\}\right)$

• Combine $\quad h_v^{(k)}=\text { combine }{ }^k\left(a_u^{(k-1)}, h_v^{(k-1)}\right)$

• Readout

  • For graph level task
  • $\quad h_G^{(k)}=\text { readout }^k\left(h_v^{(k)}, \forall v \in G\right)$

• Stacking GNN Layer

  Increase hop of the graph