그래프 위상 기반 논문 분야 분류와 GCN 융합

초록

본 논문은 인용 네트워크의 위상 정보를 활용해 논문 분야를 예측하는 방법을 제안한다. 위상 특징과 이웃 라벨 전파를 결합한 그래프 컨볼루션 네트워크(GCN)를 설계하여, 텍스트 기반 분류와 거의 동등한 정확도를 달성하고, 기존 최첨단 방법보다 우수한 성능을 보인다.

상세 분석

연구자는 먼저 인용 그래프에서 노드의 위상 특성—예를 들어 진입·출입 차수, 매개 중심성, 삼각형 수 등—이 논문 분야와 강한 상관관계를 가진다는 사실을 통계적으로 입증한다. 이를 위해 Cora와 CiteSeer 데이터셋에서 각 클래스별 이웃 라벨 분포와 위상 특징의 평균값을 분석하고, Kruskal‑Wallis 검정을 통해 대부분의 특징이 클래스와 유의하게 연관됨을 확인한다.
다음 단계에서는 이러한 위상 정보를 직접 피처로 사용하거나, 인접 행렬의 고차 곱을 통해 서브그래프 모티프를 자동으로 추출하는 두 가지 방식을 제안한다. 전자는 전통적인 피처 기반 피드포워드 네트워크에 입력하고, 후자는 피처 없이도 인접 행렬 연산만으로 정보를 압축해 GCN의 입력으로 활용한다. 특히, 인접 행렬 A와 그 전치 Aᵀ를 각각 대칭·비대칭 성분으로 분리해 학습에 포함시킴으로써 방향성 그래프의 특성을 효과적으로 반영한다.
실험 결과는 세 가지 주요 결론을 제시한다. 첫째, 위상 정보만으로도 텍스트(BOW) 기반 분류와 근접한 정확도를 얻을 수 있다. 둘째, 위상 정보와 이웃 라벨 전파를 결합한 GCN은 기존 GCN(텍스트만 사용)보다 전반적으로 높은 정확도를 기록한다. 셋째, 학습 데이터 비율이 높을수록 위상 기반 모델이 텍스트 기반 모델을 능가하며, 특히 50 % 이상 학습 데이터를 사용할 때 차이가 크게 나타난다. 또한, 대칭화된 인접 행렬만 사용할 경우보다 전체(대칭 + 비대칭) 행렬을 활용했을 때 일관되게 성능이 향상된다.
이러한 결과는 그래프 위상이 노드 라벨 예측에 풍부한 신호를 제공한다는 점을 강조한다. 특히 텍스트와 같은 민감한 콘텐츠를 사용할 수 없는 상황에서, 위상 기반 접근법은 프라이버시 보호와 동시에 높은 분류 성능을 달성할 수 있는 실용적인 대안이 된다.