하이퍼그래프 신경망(Hypergraph Neural Networks, HNNs)은 그래프 구조 데이터에서 고차 상호작용을 활용하여 다양한 응용 분야에 걸쳐 효과적인 표현 학습을 가능하게 한다. 전체 하이퍼그래프에 불필요한 관계가 포함되는 문제로 인해, 표현의 질을 보존하면서 부분구조를 효율적으로 포착하는 하이퍼그래프 샘플링 방법을 채택하는 것이 중요하다. 그러나 노드 또는 하이퍼엣지만을 대상으로 하는 기존 하이퍼그래프 샘플링 방법은 샘플링의 무작위성과 정적인 계산용 부분 하이퍼그래프 사용으로 인해 부분그래프 단절 문제가 발생하고 노드 중요도가 간과되는 한계가 있다. 본 논문에서는 HNN 학습 과정에서 새로운 주의(attention) 기반 다단계 하이퍼그래프 샘플링 전략을 통해 대표적인 부분 하이퍼그래프를 동적으로 구성하는 하이퍼그래프 학습 프레임워크 D-HAT을 제안한다. 학습 중 부분 하이퍼그래프의 표현 품질을 향상시키고 유익한 이웃을 우선시하기 위해, 주의 기반 집계(attention-guided aggregation)와 조밀한 스킵 연결(dense skip connections)을 통합한 새로운 주의 기반 HNN을 개발하였다. 본 연구진의 지식으로는, 본 논문은 하이퍼그래프 표현 학습을 위해 다양한 하이퍼그래프 샘플링 방법을 정량적으로 비교한 최초의 연구이다. 실제 그래프 데이터셋에 대한 실험 결과는 D-HAT의 효과를 보여주며, 기존 하이퍼그래프 샘플링 방법에 비해 일관되게 더 높은 정확도를 달성함을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.