간선 판별기와 탈결합 인코더 기반 비지도 그래프 표현 학습

Unsupervised Graph Representation Learning with Edge Discriminator and Decoupling Encoder

연구 내용

이질적 이웃 병합과 전파-특징 변환 결합으로 발생하는 과평탄화 문제를 완화하기 위해 간선 판별기와 탈결합 인코더를 사용하는 비지도 그래프 대조 학습을 수행하는 연구

비지도 그래프 표현 학습에서 과평탄화로 인해 정점 표현의 품질이 저하되는 원인을 이질적 이웃 정점 병합과 그래프 합성곱의 전파-변환 결합으로 구분합니다. 이를 완화하기 위해 간선 판별기를 도입해 이질적 이웃 병합을 제어하고, 전파와 특징 변환을 분리하는 탈결합 인코더로 결합 효과를 줄입니다. 또한 kNN을 특징 정보와 구조 정보 기준으로 구성해 양성 샘플을 설계하고, 그래프 데이터셋에서 정점 분류 성능으로 학습 효과를 검증합니다.

관련 프로젝트

2건

연구 흐름

초기에는 과평탄화가 발생하는 그래프 표현 학습의 핵심 요인을 이질적 이웃 병합과 전파-변환 결합으로 해석하고, 이를 구조적으로 분리하는 학습 설계를 시도했습니다. 이후 간선 판별기와 탈결합 인코더를 결합한 UED 형태의 비지도 그래프 대조 학습 모델을 구축하고, 데이터셋 성질을 반영한 kNN 기반 양성 샘플링을 도입했습니다. 최근에는 적응적 자기지도학습 프레임워크 관점에서 그래프 데이터 증강, 데이터 샘플링, 일관성 학습을 연결해 성능과 학습 안정성을 함께 고려하는 연구를 수행하고 있습니다.

활용 가능성

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

비지도 정점 표현 학습
그래프 대조 학습 모듈
과평탄화 완화 기법
구조-특징 기반 샘플링
그래프 전이학습 파이프라인
그래프 임베딩 품질 평가
소규모 라벨 데이터 활용 전략
그래프 분류 성능 향상
그래프 데이터 증강 설계
학습 안정성 개선 프레임워크