다중뷰 그래프 컨볼루션 네트워크의 일관성 완전 활용을 위한 입자구 기반 토폴로지와 특징 강화 및 상호 융합

** 본 논문은 다중뷰 학습에서 일관성을 효과적으로 활용하는 것이 핵심 과제임을 강조한다. 기존의 GCN 기반 다중뷰 방법들은 주로 k‑Nearest Neighbor(kNN) 알고리즘을 이용해 그래프 토폴로지를 구축했으며, 이 과정에서 k값 선택에 따른 노이즈와 데이터 분포에 대한 비적응성이 문제점으로 지적되었다. 또한, 각 뷰 내부에서 특징 간 일관성을 무시하거나, 뷰 간 일관성을 단순히 특징을 연결(concatenation)하거나 한 뷰 기반 협업 행렬을 공유하는 수준에 머물러, 진정한 의미의 다중뷰 통합을 달성하지 못했다. 이에 저자들은 세 가지 주요 모듈을 결합한 MGCN‑FLC(Multi‑view Graph Convolutional Network with Fully Leveraging Consistency) 모델을 제안한다. 1. **입자구 기반 토폴로지 구축 모듈(TC)** - 기존의 kNN 대신 비지도 입자구(Granular‑Ball) 클러스터링 알고리즘을 적용한다. 입자구는 데이터 포인트를 고동질성 클러스터(GB)로 자동 분할하며, 클러스터 내부와 인접 클러스터 간에 전면 연결을 부여한다. - 두 단계 연결 구조(intra‑GB, inter‑GB)를 통해 동질성 비율(homophily ratio)을 크게 높인다. 실험에서는 GBCM‑GCN이 사용한 경계 거리 기반 연결에 비해 동질성 비율이 평균 0.12 정도 상승하였다. - 이 토폴로지는 라벨 정보가 없는 상황에서도 노드 간 일관성을 충분히 반영하므로, GCN의 메시지 전달 효율을 극대화한다. 2. **특징 강화 모듈(FE)** - 각 뷰에 대해 특징 간 유사도 행렬 \(S^{(v)}\)를 계산하고, 이를 원본 특징 행렬 \(X^{(v)}\)와 곱해 유사도 기반 특징 \(X^{(v)}_{sim}=S^{(v)}X^{(v)}\)를 만든다. - 원본 특징과 유사도 기반 특징을 스택한 뒤, 평균 풀링과 최대 풀링을 혼합한 mixed‑pooling을 적용한다. 이는 각 노드가 자신의 가장 대표적인 특징과 가장 강한 특징을 동시에 보존하도록 설계된 것이다. - 강화된 특징은 intra‑view 내에서 고차원 특징 상호작용을 명시적으로 모델링하므로, 각 뷰의 임베딩 품질이 향상된다. 실험에서는 FE 모듈을 제외했을 때 평균 정확도가 3.4% 감소하였다. 3. **상호 융합 모듈(IF)** - 모든 뷰 쌍 \((v_i, v_j)\)에 대해 상호작용 행렬 \(M_{ij}=X^{(v_i)}_{enh} (X^{(v_j)}_{enh})^\top\)를 계산한다. - 각 뷰에 대한 상호작용 행렬을 모두 집계해 하나의 통합 행렬 \(M^{(v)}=\sum_{j\neq v} M_{vj}\)를 만든 뒤, 공통 가중치 행렬 \(W\)와 곱해 최종 노드 임베딩을 얻는다. - 이 과정은 특정 뷰에 의존하지 않고, 모든 뷰 간의 정보를 균형 있게 교환하도록 설계되었다. 기존 방법이 가장 풍부한 뷰 하나만을 기준으로 협업 행렬을 공유하는 것과 달리, IF 모듈은 다중 뷰 간 상호작용을 전면적으로 활용한다. **전체 파이프라인** TC 모듈에서 생성된 두 단계 토폴로지는 표준 GCN에 입력된다. FE 모듈에서 강화된 특징은 각 뷰별로 동일 차원으로 인코딩된 뒤 IF 모듈을 통해 상호 융합된다. 최종적으로 GCN은 강화된 특징과 고동질성 토폴로지를 동시에 활용해 노드 임베딩을 학습하고, 반지도 학습 손실(크로스 엔트로피 + 라벨 전파)으로 최적화된다. **실험 및 평가** - 9개의 공개 데이터셋(예: Cora, Citeseer, Pubmed, ACM, DBLP 등)에서 10% 라벨을 사용한 반지도 설정으로 평가하였다. - 비교 대상에는 GBCM‑GCN, Co‑GCN, LGCN‑FF, MSGG, CGCN‑FMF 등 최신 다중뷰 GCN 기반 모델이 포함되었다. - MGCN‑FLC는 평균 정확도 86.7%를 기록했으며, 가장 높은 성능을 보인 모델 대비 4.2%p 상승하였다. F1‑score와 NMI에서도 유사한 수준의 개선을 보였다. - Ablation Study: (a) TC 제거 → 동질성 비율 감소, 정확도 3.9%p 하락; (b) FE 제거 → 3.4%p 하락; (c) IF 제거 → 5.1%p 하락. 이는 세 모듈이 각각 독립적으로 성능에 기여함을 증명한다. - 민감도 분석에서는 입자구의 최소 클러스터 크기와 혼합 풀링 비율을 변화시켰을 때 성능 변동이 미미함을 보여, 모델이 파라미터에 크게 의존하지 않음을 확인하였다. **기여 요약** 1. 비지도 입자구 클러스터링을 이용해 k값 의존성을 제거하고, intra‑GB·inter‑GB 두 단계 연결로 고동질성 토폴로지를 자동 생성. 2. 특징 강화 모듈을 통해 intra‑view 내 고차원 특징 상호작용을 명시적으로 모델링, 특징 표현력 향상. 3. 상호 융합 모듈로 모든 뷰 간 상호작용을 전면 활용, 뷰‑간 일관성을 완전하게 활용. 4. 반지도 노드 분류 실험에서 기존 최첨단 방법들을 일관되게 능가, 모델의 일반화 능력과 안정성 입증. 이와 같이 MGCN‑FLC는 다중뷰 그래프 신경망이 직면한 토폴로지 품질, 특징 일관성, 뷰 간 정보 교환이라는 세 가지 핵심 문제를 동시에 해결함으로써, 다중뷰 학습 분야에 새로운 설계 패러다임을 제시한다. **