메모리; 및 상기 메모리에 저장된 프로그램에 따른 동작의 적어도 일부를 실행하는 프로세서를 포함하는 장치로서, 상기 프로세서는 그래프 구조를 나타내는 인접 행렬과 그래프 내의 다수의 노드에 대한 특성을 나타내는 특성 행렬을 포함하는 그래프 데이터를 사전 학습된 그래프 신경망으로 인가하고 상기 특성 행렬을 학습 대상인 비그래프 신경망으로 인가하며, 상기 그래프 신경망과 상기 비그래프 신경망의 출력 중 선택된 하나에서 각 노드에 대한 값을 상기 인접 행렬을 기반으로 주변 노드로 상호 전파하여 업데이트하고, 업데이트된 출력과 선택되지 않은 출력으로부터 계산되는 손실을 상기 비그래프 신경망으로 역전파하는 그래프 학습 장치.

제1항에 있어서, 상기 프로세서는 상기 그래프 신경망에서 상기 다수의 노드 각각에 대한 출력을 상기 인접 행렬에 따라 주변 노드에 대한 출력으로 전파하고 합성하여 업데이트하는 그래프 학습 장치.

제2항에 있어서, 상기 프로세서는 상기 다수의 노드 각각에 대한 출력을 지정된 횟수로 반복하여 업데이트하는 그래프 학습 장치.

제2항에 있어서, 상기 프로세서는 상기 그래프 데이터가 상기 다수의 노드 중 일부 노드에 정답이 레이블되어 상기 그래프 신경망의 학습 시에 이용된 학습용 그래프 데이터이면, 상기 정답이 레이블된 노드에 대한 출력은 주변 노드로의 전파 및 업데이트 이후, 다시 초기값으로 복원되도록 하는 그래프 학습 장치.

제1항에 있어서, 상기 프로세서는 상기 인접 행렬()을 이용하여 상기 그래프 신경망의 출력(Pt)을 수학식 (여기서 l은 반복 횟수로서 l = 1, …, T이고, 초기값(P1t)은 (Pt = P1t)이다.)에 따라 반복 업데이트하는 그래프 학습 장치.

제1항에 있어서, 상기 프로세서는 상기 그래프 신경망의 출력과 상기 인접 행렬을 개인화된 페이지 랭크(personalized Page Rank: 이하 PPR)에서 이용되는 전파 함수에 입력하여 업데이트하는 그래프 학습 장치.

제1항에 있어서, 상기 프로세서는 상기 비그래프 신경망의 출력과 상기 인접 행렬을 PPR에서 이용되는 전파 함수의 역함수인 역전파 함수에 입력하여 업데이트하는 그래프 학습 장치.

제1항에 있어서, 상기 그래프 신경망의 출력은 상기 그래프 데이터를 신경망 연산으로 임베딩하여 획득되는 로짓 행렬 또는 상기 로짓 행렬에 소프트 맥스 함수를 적용하여 획득되는 확률 분포 행렬인 그래프 학습 장치.

제1항에 있어서, 상기 비그래프 신경망의 출력은 상기 특성 행렬을 신경망 연산으로 임베딩하여 획득되는 로짓 행렬 또는 상기 로짓 행렬에 소프트 맥스 함수를 적용하여 획득되는 확률 분포 행렬인 그래프 학습 장치.

제1항에 있어서, 상기 인접 행렬은 상기 다수의 노드 중 각 노드에 엣지로 연결되는 이웃 노드의 개수가 대각 성분으로 포함된 차수 행렬에서, 각 원소의 위치에 따른 두 노드를 잇는 엣지가 존재하면 1의 값을 갖고, 존재하지 않으면 0의 값을 갖는 행렬을 차감하고 정규화하여 획득되는 대칭적 정규화 인접 행렬인 그래프 학습 장치.

프로세서에 의해 수행되는 방법으로서, 그래프 구조를 나타내는 인접 행렬과 그래프 내의 다수의 노드에 대한 특성을 나타내는 특성 행렬을 포함하는 그래프 데이터를 사전 학습된 그래프 신경망으로 인가하고 상기 특성 행렬을 학습 대상인 비그래프 신경망으로 인가하는 단계; 상기 그래프 신경망과 상기 비그래프 신경망의 출력 중 선택된 하나에서 각 노드에 대한 값을 상기 인접 행렬을 기반으로 주변 노드로 상호 전파하여 업데이트하는 단계; 및 업데이트된 출력과 선택되지 않은 출력으로부터 계산되는 손실을 상기 비그래프 신경망으로 역전파하는 단계를 포함하는 그래프 학습 방법.

제11항에 있어서, 상기 업데이트하는 단계는 상기 그래프 신경망에서 상기 다수의 노드 각각에 대한 출력을 상기 인접 행렬에 따라 주변 노드에 대한 출력으로 전파하고 합성하여 업데이트하는 그래프 학습 방법.

제12항에 있어서, 상기 업데이트하는 단계는 상기 다수의 노드 각각에 대한 출력을 지정된 횟수로 반복하여 업데이트하는 그래프 학습 방법.

제12항에 있어서, 상기 업데이트하는 단계는 상기 그래프 데이터가 상기 다수의 노드 중 일부 노드에 정답이 레이블되어 상기 그래프 신경망의 학습 시에 이용된 학습용 그래프 데이터이면, 상기 정답이 레이블된 노드에 대한 출력은 주변 노드로의 전파 및 업데이트 이후, 다시 초기값으로 복원되도록 하는 그래프 학습 방법.

제11항에 있어서, 상기 업데이트하는 단계는 상기 인접 행렬()을 이용하여 상기 그래프 신경망의 출력(Pt)을 수학식 (여기서 l은 반복 횟수로서 l = 1, …, T이고, 초기값(P1t)은 (Pt = P1t)이다.)에 따라 반복 업데이트하는 그래프 학습 방법.

제11항에 있어서, 상기 업데이트하는 단계는 상기 그래프 신경망의 출력과 상기 인접 행렬을 개인화된 페이지 랭크(personalized Page Rank: 이하 PPR)에서 이용되는 전파 함수에 입력하여 업데이트하는 그래프 학습 방법.

제11항에 있어서, 상기 업데이트하는 단계는 상기 비그래프 신경망의 출력과 상기 인접 행렬을 PPR에서 이용되는 전파 함수의 역함수인 역전파 함수에 입력하여 업데이트하는 그래프 학습 방법.

제11항에 있어서, 상기 그래프 신경망의 출력은 상기 그래프 데이터를 신경망 연산으로 임베딩하여 획득되는 로짓 행렬 또는 상기 로짓 행렬에 소프트 맥스 함수를 적용하여 획득되는 확률 분포 행렬인 그래프 학습 방법.

제11항에 있어서, 상기 비그래프 신경망의 출력은 상기 특성 행렬을 신경망 연산으로 임베딩하여 획득되는 로짓 행렬 또는 상기 로짓 행렬에 소프트 맥스 함수를 적용하여 획득되는 확률 분포 행렬인 그래프 학습 방법.

제11항에 있어서, 상기 인접 행렬은 상기 다수의 노드 중 각 노드에 엣지로 연결되는 이웃 노드의 개수가 대각 성분으로 포함된 차수 행렬에서, 각 원소의 위치에 따른 두 노드를 잇는 엣지가 존재하면 1의 값을 갖고, 존재하지 않으면 0의 값을 갖는 행렬을 차감하고 정규화하여 획득되는 대칭적 정규화 인접 행렬인 그래프 학습 방법.