이질 그래프 신경망의 위상 편향 탐구와 완화 방법

초록

본 논문은 이질 그래프 신경망(HGNN)에서 라벨이 희소한 반감독 학습 상황에서 발생하는 위상 편향을 규명하고, 메타 가중치 기반 인접 행렬과 PageRank‑유도 라벨 영향도(HLID)를 이용해 편향을 정량화한다. 이후 HLID 차이를 활용한 대조 학습 구조인 HT‑AD를 제안하여 편향을 완화하고 성능을 향상시킴을 세 개 공개 데이터셋 실험을 통해 입증한다.

상세 분석

이 논문은 기존 연구가 주로 동질 그래프에 국한된 구조적 불공정성(위상 편향)을 다루던 것을 확장하여, 이질 그래프에서도 동일한 현상이 존재함을 실증한다. 핵심 아이디어는 메타 관계별 가중치를 부여한 인접 행렬 B를 구성하고, 이를 기반으로 개인화된 PageRank 형태의 라벨 영향도 행렬 Q를 계산한 뒤, 라벨이 있는 노드 집합 J와 곱해 HLID Z를 얻는 것이다. HLID는 각 노드가 라벨된 노드들로부터 받는 총 영향력을 정량화하며, 이는 노드의 예측 정확도와 높은 스피어만 상관계수(r_s)를 보인다. 실험에서는 IMDB·DBLP(이질 메타‑연결만 존재)와 ACM(이질 메타‑연결과 동시에 intra‑type 연결이 존재) 데이터셋을 사용해, 단순한 노드 차수(degree) 기반 투영은 r_s가 낮아 편향을 포착하지 못하지만, HLID는 r_s가 0.8 이상으로 일관된 상관성을 나타낸다. 특히 η₁·η₂ 파라미터를 통해 intra‑type 연결을 강조하거나 메타 관계의 희소성을 보정함으로써, HLID가 intra‑type 연결이 있는 경우에도 강인함을 유지한다는 점이 주목할 만하다.

편향 완화 방법인 HT‑AD는 HLID 값의 차이를 이용해 노드 쌍을 “긍정적”(유사 HLID)과 “부정적”(이질 HLID)으로 구분하고, 이를 대조 손실에 포함한다. 구체적으로, 원본 그래프와 HLID 기반으로 재구성된 보조 그래프를 각각 로컬·글로벌 뷰로 사용해 NT‑Xent 기반의 대조 학습을 수행한다. 이때 라벨 손실과 결합된 총 손실은 기존 HGNN(예: HAN, HGT, Simple‑HGN)의 파라미터와 공유되므로, 모델 구조를 변경하지 않고도 손쉽게 적용 가능하다. 실험 결과는 HT‑AD를 적용한 경우 평균 정확도가 24%p 상승하고, 특히 저라벨 밀도(0.010.05) 상황에서 편향이 크게 감소함을 보여준다. 또한, Ablation 실험을 통해 η₁·η₂ 조정, HLID‑only 대조, 무작위 대조 등 각각의 구성 요소가 성능에 미치는 영향을 정량화하였다.

이 논문의 기여는 (1) 이질 그래프에서도 위상 편향이 존재함을 증명하고, (2) 메타 가중치와 라벨 영향도 기반의 투영(HLID)을 통해 편향을 정량화하는 새로운 메트릭을 제시했으며, (3) HLID 차이를 활용한 대조 학습 프레임워크 HT‑AD를 설계해 기존 HGNN의 성능과 공정성을 동시에 개선했다는 점이다. 한계점으로는 메타 가중치 R을 사전 정의하거나 학습하는 방법이 고정되어 있어, 복잡한 메타‑관계가 풍부한 도메인에서는 최적화가 어려울 수 있다. 또한, HLID 계산에 필요한 PageRank 행렬의 역연산이 대규모 그래프에서는 메모리·시간 비용을 초래할 가능성이 있다. 향후 연구에서는 R을 자동 학습하거나, 근사 PageRank 기법을 도입해 확장성을 높이는 방안을 모색할 여지가 있다.