그래프 신경망은 다수의 구성요소를 갖는 데이터 기반 복잡계인 5세대(5G) 코어 네트워크 디지털 트윈에서 주목받고 있다. 이러한 데이터의 분석은 드문 고장 유형으로 인해 어려울 수 있으며, 그 결과 다중 클래스 설정에서 분류의 불균형이 발생한다. 5G 네트워크의 디지털 트윈은 고장 유형을 식별하는 주요 방법으로 그래프 분류를 점차 활용하고 있다. 그러나 고장 발생의 치우친 분포는 그래프 데이터 마이닝의 실용을 저해하는 중요한 클래스 불균형 문제이다. 선행 연구는 이러한 복잡한 문제를 충분히 다루지 못했다. 본 논문은 각 클래스에 대해 고유한 스펙트럴 필터를 추정함으로써 정밀한 분류를 보장하기 위해 클래스 지향 스펙트럴 필터링 메커니즘을 도입하는 클래스-푸리에 GNN(CF-GNN)을 제안한다. 본 연구는 소수 클래스의 변이에 포착하고 적응하기 위해 고유값 및 고유벡터 기반 스펙트럴 필터링을 활용하여, 클래스별 특징 구별을 정확하게 보장하고, 종단(end-to-end) 설정에서 이웃들 사이의 복잡한 국소 구조에 대한 그래프 표현 학습을 효과적으로 수행한다. 광범위한 실험 결과, 제안된 CF-GNN이 분류기를 향상시키기 위한 새로운 기법을 만드는 데 기여할 수 있으며, 네트워크 디지털 트윈 시스템에서 다중 클래스 불균형 데이터의 특성을 탐구할 수 있음을 보여준다.

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