제4항에 있어서,상기 노드의 입력 벡터를 생성하는 단계는,마스킹된 노드에 대한 원래의 입력 벡터와 상기 재구성된 마스킹된 노드의 입력 벡터 사이의 유사도 계산을 통해 획득된 유사도 값이 최대화되도록 하이퍼그래프 인공신경망을 업데이트하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제1항에 있어서,상기 하이퍼엣지를 생성하는 단계는,상기 하이퍼그래프에 구성된 노드들 중 일부 노드의 입력 벡터에서 특정 값을 0으로 변환하고, 상기 노드들을 연결하는 하이퍼엣지 중 일부를 제거함에 따라 하이퍼그래프를 증강하는 단계 를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제6항에 있어서,상기 하이퍼엣지를 생성하는 단계는,상기 증강된 하이퍼그래프를 인코더에 입력하여 각 노드에 대한 표현 벡터를 획득하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

생성형 자기지도 학습 시스템에 의해 수행되는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법에 있어서, 하이퍼그래프 인공신경망(Hypergraph Neural Network, HNN)의 인코더와 디코더를 이용하여 마스킹된 노드(node)의 입력 벡터를 재구성함에 따라 노드의 입력 벡터를 생성하는 단계; 및 상기 하이퍼그래프 인공신경망의 인코더와 추가적인 신경망을 이용하여 하이퍼엣지(hyperedge)로 연결된 일부 노드의 상호작용을 통해 탐색된 빈 노드에 대해 하이퍼그래프 표현 학습을 위한 하이퍼엣지를 생성하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제1항에 있어서,상기 노드의 입력 벡터를 생성하는 단계는,상기 하이퍼그래프에 구성된 노드들 중 일부 노드의 입력 벡터를 마스크 벡터로 변환하고, 상기 노드들을 연결하는 하이퍼엣지 중 일부를 제거함에 따라 하이퍼그래프를 증강하는 단계 를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제2항에 있어서,상기 노드의 입력 벡터를 생성하는 단계는,상기 증강된 하이퍼그래프를 인코더에 입력하여 각 노드에 대한 표현 벡터를 획득하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제3항에 있어서,상기 노드의 입력 벡터를 생성하는 단계는,마스크 벡터로 변환된 일부 노드의 입력 벡터를 다른 마스크 벡터로 변환한 후, 상기 획득된 각 노드에 대한 표현 벡터와 상기 증강된 하이퍼엣지를 디코더에 입력하여 마스킹된 노드의 입력 벡터를 재구성하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제7항에 있어서,상기 하이퍼엣지를 생성하는 단계는,상기 하이퍼엣지에서 하나의 노드와, 상기 하이퍼엣지 내 상기 하나의 노드 이외의 다른 노드에 대해 서로 다른 신경망을 이용하여 추가적으로 인코딩함에 따라 상기 하나의 노드와, 상기 다른 노드에 대한 최종 표현 벡터를 각각 획득하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제8항에 있어서,상기 하이퍼엣지를 생성하는 단계는,상기 하이퍼엣지의 빈 노드에 대해 상기 하이퍼엣지에 연결될 가능성이 높은 노드를 예측할 확률로 구성된 목적함수를 계산하고, 상기 목적함수의 값이 최대화되도록 하이퍼그래프 인공신경망을 업데이트하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

제9항에 있어서,상기 하이퍼엣지를 생성하는 단계는,상기 하이퍼엣지에서 하나의 노드와, 상기 하이퍼엣지 내 상기 하나의 노드 이외의 상기 다른 노드에 대해 획득된 각각의 최종 표현 벡터의 유사도 계산을 통해 유사도 값을 획득하는 단계를 포함하는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법.

생성형 자기지도 학습 시스템에 의해 수행되는 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법을 실행시키기 위해 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서,상기 하이퍼그래프 인공신경망을 위한 생성형 자기지도 학습 방법은,하이퍼그래프 인공신경망(Hypergraph Neural Network, HNN)의 인코더와 디코더를 이용하여 마스킹된 노드의 입력 벡터를 재구성함에 따라 노드의 입력 벡터를 생성하는 단계; 및 상기 하이퍼그래프 인공신경망의 인코더와 추가적인 신경망을 이용하여 하이퍼엣지로 연결된 일부 노드의 상호작용을 통해 탐색된 빈 노드에 대해 하이퍼그래프 표현 학습을 위한 하이퍼엣지를 생성하는 단계를 실행하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램.

생성형 자기지도 학습 시스템에 있어서, 하이퍼그래프 인공신경망(Hypergraph Neural Network, HNN)의 인코더와 디코더를 이용하여 마스킹된 노드의 입력 벡터를 재구성함에 따라 노드의 입력 벡터를 생성하는 입력 벡터 생성부; 및 상기 하이퍼그래프 인공신경망의 인코더와 추가적인 신경망을 이용하여 하이퍼엣지로 연결된 일부 노드의 상호작용을 통해 탐색된 빈 노드에 대해 하이퍼그래프 표현 학습을 위한 하이퍼엣지를 생성하는 하이퍼엣지 생성부를 포함하는 생성형 자기지도 학습 시스템.

제12항에 있어서,상기 입력 벡터 생성부는,상기 하이퍼그래프에 구성된 노드들 중 일부 노드의 입력 벡터를 마스크 벡터로 변환하고, 상기 노드들을 연결하는 하이퍼엣지 중 일부를 제거함에 따라 하이퍼그래프를 증강하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제13항에 있어서,상기 입력 벡터 생성부는,상기 증강된 하이퍼그래프를 인코더에 입력하여 각 노드에 대한 표현 벡터를 획득하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제14항에 있어서,상기 입력 벡터 생성부는,마스크 벡터로 변환된 일부 노드의 입력 벡터를 다른 마스크 벡터로 변환한 후, 상기 획득된 각 노드에 대한 표현 벡터와 상기 증강된 하이퍼엣지를 디코더에 입력하여 마스킹된 노드의 입력 벡터를 재구성하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제15항에 있어서,상기 입력 벡터 생성부는,마스킹된 노드에 대한 원래의 입력 벡터와 상기 재구성된 마스킹된 노드의 입력 벡터 사이의 유사도 계산을 통해 획득된 유사도 값이 최대화되도록 하이퍼그래프 인공신경망을 업데이트하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제12항에 있어서,상기 하이퍼엣지 생성부는, 상기 하이퍼그래프에 구성된 노드들 중 일부 노드의 입력 벡터에서 특정 값을 0으로 변환하고, 상기 노드들을 연결하는 하이퍼엣지 중 일부를 제거함에 따라 하이퍼그래프를 증강하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제17항에 있어서,상기 하이퍼엣지 생성부는, 상기 증강된 하이퍼그래프를 인코더에 입력하여 각 노드에 대한 표현 벡터를 획득하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제18항에 있어서,상기 하이퍼엣지 생성부는, 상기 하이퍼엣지에서 하나의 노드와, 상기 하이퍼엣지 내 상기 하나의 노드 이외의 다른 노드에 대해 서로 다른 신경망을 이용하여 추가적으로 인코딩함에 따라 상기 하나의 노드와, 상기 다른 노드에 대한 최종 표현 벡터를 각각 획득하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.

제19항에 있어서,상기 하이퍼엣지 생성부는, 상기 하이퍼엣지에서 하나의 노드와, 상기 하이퍼엣지 내 상기 하나의 노드 이외의 상기 다른 노드에 대해 획득된 각각의 최종 표현 벡터의 유사도 계산을 통해 획득된 유사도 값이 최대화되도록 하이퍼그래프 인공신경망을 업데이트하는 것을 특징으로 하는 생성형 자기지도 학습 시스템.