그래프 오토인코더 확장을 위한 퇴화 프레임워크

초록

본 논문은 그래프 자동인코더와 변분 자동인코더를 대규모 그래프에 적용하기 위해, 그래프의 k‑코어(퇴화) 서브그래프만을 학습에 활용하고, 남은 노드에 대해서는 간단한 전파 기법으로 임베딩을 추정하는 프레임워크를 제안한다. 이 방법은 학습 시간과 메모리 요구량을 크게 감소시키면서도 기존 모델과 비교해 경쟁력 있는 성능을 유지한다.

상세 분석

이 연구는 그래프 오토인코더(GAE)와 변분 그래프 오토인코더(VGAE)의 확장성 문제를 근본적으로 해결하고자 한다. 핵심 아이디어는 그래프 퇴화(k‑core) 개념을 이용해 “밀집된” 서브그래프를 추출하고, 이 서브그래프만을 대상으로 인코더‑디코더를 학습하는 것이다. k‑core는 모든 노드가 최소 k개의 이웃을 갖는 최대 서브그래프이며, 퇴화 수 δ∗(G)는 그래프 전체에서 가장 높은 k값을 의미한다. 알고리즘 1에 제시된 선형 시간 복잡도(O(max(m,n)))의 k‑core 분해는 대규모 실세계 네트워크에서도 빠르게 수행될 수 있다.

학습 단계에서는 선택된 k‑core에 대해 기존 GAE/VGAE 구조(예: GCN 기반 인코더와 내적 디코더)를 그대로 적용한다. 이때 복잡도는 원 그래프의 노드 수 n이 아니라 k‑core에 포함된 노드 수 |C_k|에 비례하므로, |C_k|/n이 5% 이하인 경우에도 메모리와 연산량이 크게 절감된다.

핵심적인 두 번째 단계는 k‑core 외부 노드에 대한 임베딩을 추정하는 전파 메커니즘이다. 초기에는 k‑core와 직접 연결된 노드에 대해, 이웃의 임베딩 평균(또는 가중 평균)을 사용해 새로운 임베딩을 계산한다. 이후 이 과정을 반복하면서 점차 외곽 노드까지 확장한다. 이 방식은 노드 간의 구조적 근접성을 활용해, 학습된 코어 임베딩이 주변 영역으로 자연스럽게 전파되도록 설계되었다. 특히, 전파 과정에서 서로 연결된 노드들 간의 상호 의존성을 고려함으로써, 단순한 한 번의 평균보다 더 정교한 임베딩을 얻을 수 있다.

실험에서는 10가지 GAE/VGAE 변형 모델을 선정하고, 링크 예측 및 노드 클러스터링 두 가지 대표 과업에 대해 평가하였다. 대규모 그래프(수백만 노드·수백만 엣지)에서 기존 전체 그래프 학습 방식은 메모리 초과 또는 학습 시간 과다로 실행이 불가능했지만, 제안된 퇴화 프레임워크는 10배 이상 빠른 학습 속도와 2~3배 낮은 메모리 사용량을 기록했다. 성능 측면에서는 DeepWalk, node2vec, LINE 등 전통적인 스케일러블 임베딩 기법과 비교했을 때, 평균 AUC와 F1 점수에서 거의 차이가 없거나 약간 우수한 결과를 보였다.

또한, k 값 선택에 따른 트레이드오프를 분석했으며, k=2(리프 제거) 수준에서 대부분의 데이터셋이 원 그래프 대비 50% 이상의 노드를 제거하면서도 성능 저하가 미미함을 확인했다. 더 높은 k(예: δ∗(G) 코어)에서는 학습 속도가 더욱 빨라지지만, 서브그래프가 지나치게 작아져 성능이 감소하는 경향이 있었다. 이러한 결과는 퇴화 기반 서브그래프가 그래프 구조의 핵심 정보를 보존한다는 가설을 뒷받침한다.

마지막으로, 제안 프레임워크는 GCN 외에도 더 복잡한 스펙트럴 GNN, Chebyshev 필터 기반 모델 등 다양한 인코더와도 호환 가능함을 실험적으로 보여준다. 이는 향후 그래프 오토인코더의 확장성을 크게 높일 수 있는 기반이 된다. 전체적으로, 그래프 퇴화와 전파 메커니즘을 결합한 이 접근법은 대규모 네트워크에서 그래프 AE/VAE를 실용적으로 적용할 수 있는 새로운 패러다임을 제시한다.