Graph neural networks (GNNs) have been shown good performance for semi supervised node classification task by aggregating neighbor information based on the graph structure. Since different nodes have different adjacent environments structurally and semantically, it is a problem that all nodes have the same receptive field. We observe that model prediction of specific nodes becomes unstable depending on which hop information is used. This is because specific nodes are in a adjacent environment that makes model prediction unstable, so adjusting the receptive field of these nodes helps improve overall performance. In this work, we analyze the components of adjacent environment that distabilize the classification of nodes, and propose post-processing of model prediction algorithm to correctly classify them. It shows good performance for unstable nodes through quantitative/qualitative comparison with existing studies.
그래프 신경망은 그래프의 구조적 정보를 기반으로 이웃 노드의 정보를 취합하여 준 지도 학습 하의 노드 분류 태스크에서 좋은 성능을 보이고 있다. 이때, 각 노드가 처한 구조적·의미론적 환경은 다 다르기 때문에 모든 노드가 동일한 이웃 노드의 수용 영역을 취하는 것은 문제가 될 수 있다. 우리는 학습이 완료된 모델로 테스트 노드를 분류하는 과정에서 수용 영역의 깊이에 따라 모델의 예측이 변화하는 특정 노드들을 관찰하였다. 이는 특정 노드들이 모델의 예측을 불안정하게 만드는 인접 환경을 가지고 있기 때문인데, 따라서 이 노드들의 수용 영역의 깊이를 잘 조절해주는 것이 성능 개선에 도움이 되는 것을 확인하였다. 본 연구에서는 노드의 분류를 불안정하게 만드는 인접 환경을 분석하고, 이 분석을 기반으로 노드 별로 수용 영역의 깊이를 조절하여 모델의 예측을 후처리하는 모델을 제안하였다. 이는 기존 연구와의 정량적/정성적 비교 분석을 통해 불안정한 노드에 대해 좋은 성능을 보임을 확인하였다.
