그래프 이웃을 학습하는 LSTM 기반 접근법
본 논문은 그래프의 로컬 이웃을 직접 학습 데이터로 활용하기 위해 다중 레벨 LSTM 구조를 제안한다. 그래프를 목표 노드 기준으로 트리 형태로 펼친 뒤, 각 깊이마다 별도의 LSTM이 자식 노드들의 정보를 순차적으로 요약하여 상위 노드에 전달한다. 최상위 LSTM이 목표 노드의 예측값을 출력한다. 이 방식은 고정된 차원의 특징 벡터를 설계할 필요 없이, 이웃 구조와 엣지/노드 속성을 자동으로 학습한다. 합성 실험과 크라우드소싱 채점, 비트코인…
저자: Rakshit Agrawal, Luca de Alfaro, Vassilis Polychronopoulos
**1. 서론 및 동기**
논문은 “그래프의 로컬 이웃을 이용한 예측”이라는 일반적인 문제 설정을 제시한다. 크라우드소싱 채점, 비트코인 주소 지출 예측, 위키피디아 편집 복구 등 다양한 실제 사례에서, 각 대상(아이템, 주소, 사용자)의 주변 노드와 엣지에 포함된 정보가 예측에 핵심적임을 강조한다. 기존 방법은 베이즈 모델, EM, 그래프 기반 라벨 전파 등 확률 모델에 의존했으며, 이러한 모델은 사전 가정과 복잡한 파라미터 튜닝이 필요했다.
**2. 문제 정의**
그래프 G=(V,E)에서 각 엣지는 M 차원의 특징 벡터 g(e)를 가지고, 각 노드는 라벨(또는 예측하고자 하는 값)을 가진다. 목표는 노드 v의 라벨을 그래프 구조와 엣지 라벨만을 이용해 예측하는 것이다. 노드 자체의 특징도 엣지 라벨에 포함시켜 일반화한다.
**3. MLSL(다중 레벨 시퀀스 학습기) 구조**
- **그래프 전개**: 목표 노드 v를 루트로 깊이 D 트리 T_v를 만든다. 전개 방식은 대칭(모든 인접 노드 포함)과 비대칭(부모를 제외) 두 가지가 있다.
- **시퀀스 학습기**: 각 레벨 d(1≤d≤D)마다 하나의 LSTM L_d를 배치한다. L_D는 엣지 라벨만 입력받아 K_D 차원의 요약을 만든다. L_d(d
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기