중향 그래프 자동인코더를 위한 중력 영감 디코더

본 논문은 그래프 자동인코더(AE)와 변분 자동인코더(VAE)가 무방향 그래프에만 초점을 맞추어 왔으며, 이로 인해 방향성을 갖는 링크 예측에 한계가 있다는 점을 출발점으로 삼는다. 저자들은 이러한 한계를 극복하기 위해 기존의 두 벡터(소스와 타깃)를 각각 학습하는 방법 대신, 하나의 임베딩 벡터만으로도 방향성을 표현할 수 있는 새로운 디코더 구조를 제안한다. 먼저, 그래프 AE/VAE의 기본 구조를 재정리한다. 인코더는 일반적으로 GCN을 사용해 노드 특성과 인접 행렬을 입력으로 받아 d 차원의 잠재 벡터 Z를 생성한다. 디코더는 전통적으로 Z·Zᵀ의 내적에 시그모이드 함수를 적용해 재구성 행렬 Ĥ를 만든다. 이 내적은 대칭성을 갖기 때문에, (i, j)와 (j, i) 사이의 존재 확률이 동일하게 예측된다. 따라서 무방향 그래프에서는 문제가 없지만, 웹 링크, 팔로우 관계, 음악 아티스트 유사도 등에서 방향성은 중요한 의미를 가진다. 이 문제를 해결하기 위해 저자들은 뉴턴의 만유인력 법칙에서 영감을 얻어, 각 노드 i를 “질량” m_i와 “위치” p_i라는 두 요소로 분해한다. 임베딩 z_i는