연구진은 관계 데이터 학습을 위한 표준 모델인 그래프 신경망(GNN)의 한계를 극복하기 위해 가우시안 쉬프 신경망(GSNN) 프레임워크를 제안했어요. GSNN은 노드 특징이 가우시안 분포로 표현될 때, 기존 GNN 방식이 갖는 정보 손실 문제를 해결합니다.
GSNN은 셀룰러 쉬프 이론에 기반하여 새로운 라플라시안 연산자를 도출하고, 이를 통해 노드 특징의 기하학적, 대수적 구조를 보존하는 학습을 가능하게 해요.
합성 데이터와 실제 데이터에 대한 실험 결과, GSNN이 기존 GNN보다 우수한 성능을 보이며 실용적인 가치를 입증했어요.