그래프 스펙트럴 필터링 기반 추천 및 링크 예측

Graph Spectral Filtering for Recommendation and Link Prediction

연구 내용

사용자 상호작용 그래프에서 스펙트럴 필터를 Chebyshev 보간으로 근사해 추천을 개선하고, Copula 기반 edge 간 잠재 상관을 모델링하여 signed graph 링크 부호를 예측하는 연구

그래프 합성곱 계열 모델의 추천 병목을 스펙트럴 관점에서 해석하고, 주파수 영역의 컷오프와 제한된 선형 형태가 표현력을 제한한다는 문제를 다룹니다. 사용자의 원자료 상호작용을 기반으로 그래프 필터를 구성하고, Chebyshev interpolation으로 유연한 비선형 필터를 효율적으로 근사합니다. 또한 neighborhood aggregation의 한계를 보완하기 위해 정규화와 추가 pass filter를 결합하여 신호 활용도를 높입니다. 아울러 signed graph에서 edge-edge 의존성을 Gaussian copula와 상관행렬로 모델링하되, Gramian 구조와 조건부 분포 재구성으로 추론 비용을 낮추는 방향의 그래프 학습을 수행합니다.

관련 프로젝트

3건

연구 흐름

초기에는 2025년 연구를 중심으로 그래프 필터링 관점에서 협업 필터링의 embedding 용량 한계와 neighborhood aggregation의 세밀한 패턴 활용 부족을 분석하고, ChebyCF로 그래프 스펙트럴 필터를 Chebyshev 보간으로 근사하는 틀을 제안했습니다. 같은 시기에 적응형 그래프 합성곱으로 Top-N 추천을 학습하는 ReducedGCN과, 시퀀셜 추천에서 조건부 attention을 활용한 멀티모달 융합 전략을 함께 다루었습니다. 2026년에는 signed graph의 링크 부호 예측을 위해 edge 간 잠재 상관을 CopulaGNN 계열로 확장하되, 상관행렬을 Gramian으로 표현해 스케일을 확보하는 방향으로 확장했습니다. 이 흐름은 2024년부터 수행 중인 OTT 사용자·콘텐츠 데이터 기반 추천 및 비디오 분석 과제의 요구와 연계됩니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

개인화 추천 랭킹 모델
시퀀셜 사용자 선호 예측
그래프 스펙트럴 필터 설계 자동화
장면·이용 행태 기반 콘텐츠 추천
효율적 온디바이스 후보 스코어링
signed network 신뢰·관계 추정
그래프 데이터 마이닝 파이프라인
설명 가능한 추천 신호 분해
대규모 사용자 그래프 학습
링크 예측을 통한 추천 보정