표제지
목차
국문초록 9
Ⅰ. 서론 11
Ⅱ. 사전 지식 14
2.1. 그래프 신경망 (Graph Neural Network, GNN) 14
2.2. 그래프 합성곱 신경망 (Graph Convolutional Neural Network, GCN) 16
Ⅲ. 관련 연구 19
3.1. 그래프 노드의 표현을 학습하는 기법 19
3.2. 그래프의 변화를 고려한 기법 21
Ⅳ. 제안 방법 23
4.1. 개요 23
4.2. GCN의 노드 표현 학습 방법 24
4.3. GCN의 노드 표현 갱신 방법 25
4.4. 시간 복잡도 분석 30
Ⅴ. 성능 평가 31
5.1. 실험 환경 및 방법 31
5.2. 제안 방법의 성능 평가 결과 32
Ⅵ. 결론 41
참고문헌 42
ABSTRACT 46
〈표 1〉 제안 방법의 알고리즘 28
〈표 2〉 특징이 변경된 노드 비율에 따른 성능 향상 비교 32
〈표 3〉 노드 개수 증가에 따른 성능 향상 비교 34
〈표 4〉 노드 특징 개수 증가에 따른 성능 향상 비교 36
[그림 1] 그래프에 포함된 노드의 특징이 변화하는 예 12
[그림 2] 그래프 신경망이 이웃 노드들의 정보를 집계하는 과정 14
[그림 3] 그래프 합성곱 신경망 구조 16
[그림 4] 분류를 위한 그래프 합성곱 신경망 구조 18
[그림 5] GNN의 노드 임베딩 벡터를 구하는 예 20
[그림 6] 특징이 변경된 노드 비율에 따른 성능 비교 32
[그림 7] 노드 개수 증가에 따른 성능 비교 34
[그림 8] 노드 특징 개수 증가에 따른 성능 비교 36
[그림 9] n=10,000일 때 특징이 변경된 노드 비율이 많은 경우 38
[그림 10] n=20,000일 때 특징이 변경된 노드 비율이 많은 경우 38
[그림 11] n=30,000일 때 특징이 변경된 노드 비율이 많은 경우 39
[그림 12] n=40,000일 때 특징이 변경된 노드 비율이 많은 경우 39