Structure-aware graph representation learning and graph pooling
연구 내용
그래프의 구조적 선행지식을 반영하는 그래프 풀링을 설계하여 그래프 레벨 표현을 안정적으로 학습하고 분류 성능과 확장성을 향상하는 연구
그래프 신경망에서 노드 수준 과제는 정량적으로 학습이 용이하지만, 그래프 레벨 표현을 만들기 위해서는 이웃 집계와 함께 그래프 구조 정보가 함께 반영되어야 합니다. 기존 풀링은 주로 k-hop 이웃을 기반으로 설계되어 구조적 특징을 명시적으로 반영하지 못하는 한계가 있습니다. 이에 본 연구는 구조를 learnable prototype vectors로 모델링하고, 노드와 프로토타입 간 affinity를 통해 노드 스코어링을 수행합니다. 이를 통해 중요한 노드를 우선 반영하면서도 그래프의 유용한 구조를 요약하는 풀링 체계를 제안하며, 그래프 분류에서 성능과 확장성을 함께 고려합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
그래프 레벨 표현이 필요한 과제에서 기존 풀링이 이웃 범위 중심으로 구성되어 구조 정보의 직접 반영이 제한된다는 점을 확인했습니다. 이후 2022년에는 그래프 구조를 학습 가능한 프로토타입으로 치환하여 노드-프로토타입 affinity 기반의 점수화 및 구조 보존형 요약 전략을 제시했습니다. 이 과정에서 유용한 구조를 대표하는 노드 선택과 집계가 함께 작동하도록 설계하여, 다양한 그래프 분류 벤치마크에서 확장 가능한 표현학습이 가능하도록 구성했습니다. 이러한 그래프 구조 요약 관점은 이후 생물학적 네트워크 그래프나 화학 분자 그래프의 그래프 레벨 해석으로도 확장될 수 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
SPGP: Structure Prototype Guided Graph Pooling
관련 프로젝트
구분
제목
산업융합형 차세대 인공지능 혁신인재 교육연구단