본 연구에서는 입력 그래프를 더 작은 부분그래프로 분할하여 효과적이고 확장 가능한 그래프 표현 학습(GRL)을 두 수준에서 수행하는 새로운 GRL 모델인 Two-Level GRL with Subgraph-as-a-Node(SaaN 2L-GRL, 이하 간단히 SaaN 2L-GRL)를 제안한다. 이 모델은 1) 로컬 GRL과 2) 글로벌 GRL의 두 수준으로 GRL을 수행한다. 두 수준의 GRL을 효율적으로 구현하기 위해, 그래프의 상위 수준 토폴로지를 효과적으로 유지하면서 그래프의 크기를 크게 감소시키는 추상화 그래프인 Subgraph-as-a-Node Graph(SaaN, 이하 간단히 SaaN)를 제안한다. SaaN 그래프를 로컬 및 글로벌 GRL 모두에 적용함으로써, SaaN 2L-GRL은 각 부분그래프 내의 노드를 정밀하게 표현하는 동시에 전체 그래프의 전반적 구조를 효과적으로 보존할 수 있다. 시간 복잡도 분석을 통해, 원래 그래프를 사용하여 글로벌 GRL을 수행하는 기존 GRL 모델과 달리 SaaN 그래프를 글로벌 GRL에 사용하고 부분그래프에서 로컬 GRL을 병렬로 처리함으로써, SaaN 2L-GRL이 기존 GRL 모델의 학습 시간을 유의미하게 감소시킴을 확인하였다. 광범위한 실험 결과, SaaN 2L-GRL은 정확도와 효율성 모두에서 기존 GRL 모델보다 우수함을 보였다. 또한, SaaN 2L-GRL의 효과성은 다섯 가지 커뮤니티 탐지 알고리즘 및 대표적인 edge-cut 및 vertex-cut 알고리즘을 포함하는 다양한 그래프 분할 방법을 사용하여 입증하였다.

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