그래프 표현 학습(Graph representation learning, GRL)은 그래프를 그래프 위상 및 노드 특성을 보존하면서 저차원 벡터 공간으로 사상하는 것을 목표로 한다. 본 연구는 입력 그래프(또는 분할된 부분 그래프)마다 가장 적절한 커뮤니티 탐지 알고리즘을 선택하여 그래프를 재귀적으로 분할하는 새로운 GRL 모델인 다중 수준 GRL(Multi-Level GRL, 간단히 ML-GRL)을 제안한다. 부분 그래프 간의 관계를 보존하기 위해 ML-GRL은 전체 위상을 효과적으로 유지하는 전역 그래프(global graphs)를 통합한다. ML-GRL은 그래프 기반 특징을 사용해 사전 학습된 예측 모델을 활용하며, 이는 다양한 그래프 분포 전반을 포괄하여 분할이나 평가를 위해 그래프 또는 부분 그래프를 실제로 분할하지 않고도 각 커뮤니티 탐지 알고리즘의 GRL 정확도를 추정한다. ML-GRL은 가장 효과적인 커뮤니티 탐지 알고리즘을 선택함으로써 학습 정확도를 향상시키는 동시에, 분할된 부분 그래프의 병렬 처리에서 학습 효율도 향상시킨다. 두 가지 서로 다른 과제를 대상으로 한 광범위한 실험을 통해 ML-GRL이 학습 정확도와 효율의 관점에서 여섯 가지 대표적인 GRL 모델들에 비해 우수함을 입증한다. 구체적으로 ML-GRL은 링크 예측에서 기존 GRL 모델들의 정확도를 3.68 ~ 47.59%, 노드 분류에서 1.75 ~ 40.90% 향상시킬 뿐만 아니라, 각각 실행 시간도 9.63 ~ 62.71% 및 7.14 ~ 82.14% 유의하게 감소시킨다. 본 연구의 소스 코드는 https://github.com/pnpy6elp/Multi_Level_GRL 에서 제공된다.

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