Despite the success of Graph Neural Networks (GNNs), they have not been sufficiently addressed from the perspective of transfer learning. Since graphs can attain a variety of structures or features in numerous domains, it is crucial to study the transferability between distinct graphs. In this paper, we explore the node-level transferability of GNNs using synthetic graphs generated by Stochastic Block Model. Our comprehensive experiments on a wide range of synthetic graphs with five GNN models reveal the characteristics of transferability of GNNs, including the influence of the graph structure and the feature information. We also examine the knowledge transfer from synthetic graphs to various real-world graphs.
그래프 인공 신경망은 그 성행에도 불구하고 전이 학습의 관점에서는 이미지나 텍스트에 비해 잘 다루어지지 않았다. 그래프는 굉장히 다양한 특성을 지닐 수 있으므로, 서로 다른 그래프 사이에서 지식 전이가 이루어질 수 있는지, 어떻게 이루어지는지에 대한 연구가 중요하다. 본 논문에서는, 스토캐스틱 블록 모델을 통해 생성된 합성 그래프를 사용하여 서로 다른 다양한 그래프 간의 지식 전이에 대해 탐구한다. 타깃 그래프의 구조적 특성과 특징 벡터에 대한 정보의 유무에 따라 경우를 나누어, 동질성과 밀도가 다양한 합성 그래프에 대해 전이 학습 실험을 진행한다. 이를 통해 그래프 인공신경망의 전이 학습에서의 전반적인 특성을 이해하고, 상기 요소들과 모델 종류가 전이 학습에 미치는 영향을 파악한다. 또한, 합성 그래프를 활용한 전이 학습을 실세계 데이터에 적용하여 그 효과를 알아본다.