KCC 2021
Current Result Document :
| 한글제목(Korean Title) |
전달성 커널을 사용한 그래프 컨볼루션 네트워크 기반 간선 예측 |
| 영문제목(English Title) |
Link Prediction Based on Graph Convolutional Networks using Communicability Kernel |
| 저자(Author) |
안성진
김명호
|
| 원문수록처(Citation) |
VOL 48 NO. 01 PP. 0783 ~ 0785 (2021. 06) |
한글내용
(Korean Abstract) |
최근에 컨볼루션 네트워크를 그래프 분야로 확장한 그래프 컨볼루션 네트워크는 노드 분류, 그래프 분류, 링크 예측 등의 여러 그래프 분석 문제에서 훌륭한 성능을 보였다. 하지만 그래프 컨볼루션 네트워크들은 각 노드의 인접한 구조만을 파악하여 노드를 저차원 벡터로 표현하여 학습하는 특성이 있다. 전체적인 구조를 반영하려는 고차 그래프 컨볼루션 네트워크들이 제시되었다. 하지만 기존의 고차 그래프 컨볼루션 네트워크들은 그래프의 간선을 예측하는데에는 좋은 성능을 보이지 못하고 있다. 본 논문에서는 기존의 고차 그래프 컨볼루션 네트워크들이 길이가 다른 경로에서 얻어진 정보들을 차등적으로 받아들이지 못하는 문제를 지적한다. 그리고 이러한 한계를 보완하기 위해서, 전달성 커널을 활용하여 간선 예측에 알맞게 전체 그래프의 구조를 반영한 고차 그래프 컨볼루션 네트워크를 제시한다. |
영문내용
(English Abstract) |
Recently, Graph Convolutional Networks (GCNs) which expand convolutional neural networks to the graph fields have shown good performance in various graph analysis problems such as the node classification, the graph classification, and the link prediction. GCNs generate node embeddings by using features of the corresponding node and its 1-hop neighbors. Higher-order graph convolutional networks (Higher-order GCNs) have been proposed in order to utilize the information from global structure. However, existing higher-order GCNs do not predict links properly. We find out that considering different lengths of paths makes higher-order GCNs predict links better. In this paper, we propose a Communicability Graph Convolutional Networks (CGCN) that assigns different weights to the length of the path by using a communicability kernel. |
| 키워드(Keyword) |
그래프 컨볼루션 네트워크
그래프 임베딩
링크 예측
전달성 커널
Graph Convolutional Network
Graph Embedding
Link Prediction
Communicability Kernel
|
| 파일첨부 |
PDF 다운로드
|
