링크 속성을 활용한 그래프 컨볼루션 네트워크 GCN‑LASE

초록

GCN‑LASE는 기존 그래프 컨볼루션 네트워크가 무시해 온 링크(간선) 속성을 노드와 결합해 학습한다. 이웃 노드와 링크의 텐서곱을 새로운 이웃 특징으로 정의하고, 이를 기반으로 여러 그래프 커널을 설계해 GCN‑LASE‑RW, GCN‑LASE‑WL, GCN‑LASE‑SAGE와 같은 네트워크 구조를 도출한다. 또한 전체 이웃 합을 몬테카를로 샘플링으로 추정하고, 게이트 기반 중요도 샘플링을 통해 추정 분산을 최소화한다. 실험 결과, 다양한 데이터셋에서 기존 GCN 및 NRL 모델을 크게 능가함을 보였다.

상세 분석

본 논문은 그래프 신경망 연구에서 간과되어 온 “링크 속성”을 정형화하고, 이를 효과적으로 활용할 수 있는 GCN‑LASE 프레임워크를 제안한다. 핵심 아이디어는 이웃 노드와 그 사이의 링크를 하나의 연관된 객체로 보고, 두 객체의 텐서곱 (f(v)\otimes f(e_{u,v})) 을 이웃 특징 텐서로 정의하는 것이다. 텐서곱은 노드와 링크 속성 간의 모든 2차 상호작용을 포함하므로, 단순히 속성을 연결하거나 별도로 합산하는 기존 방식보다 풍부한 표현력을 제공한다. 그러나 텐서 자체는 차원이 급증하고 중복이 많아 직접 사용하기엔 비효율적이다. 이를 해결하기 위해 논문은 텐서곱 기반 이웃 커널을 정의한다. 두 이웃 ((v,e_{u,v}))와 ((w,e_{u,w})) 사이의 커널은
\