이질적 그래프를 빠르고 정확하게 압축하는 새로운 방법, HGC Herd

초록

이 연구는 복잡한 이질적 그래프를 효율적으로 학습하기 위한 새로운 ‘응축’ 방법인 HGC-Herd를 제안합니다. 기존 방법과 달리 복잡한 학습 과정 없이, 그래프의 의미와 구조를 보존하면서 대표 노드만을 선별해 작은 그래프를 생성합니다. ACM, DBLP, Freebase 데이터셋 실험에서 전체 그래프 학습과 비슷한 정확도를 유지하면서도 실행 시간과 메모리 사용량을 획기적으로 줄였습니다.

상세 분석

HGC-Herd의 핵심 기술적 혁신은 ‘학습 없는(Trining-Free)’ 응축 프레임워크를 제안했다는 점입니다. 기존 그래프 응축 방법(예: GCond)은 실제 그래프와 합성 그래프의 기울기(Gradient)를 맞추는 복잡한 양방향 최적화(Bi-level Optimization)에 의존하여 계산 비용과 메모리 소모가 컸습니다. 특히 이질적 그래프의 다양한 노드/관계 유형을 고려하면 이 문제는 더욱 심화됩니다.

HGC-Herd는 이 문제를 세 가지 모듈로 해결합니다. 첫째, ‘특징 전파(Feature Propagation)‘는 메타패스를 따라 이웃 정보를 한 번만 집계하여 노드의 의미론적 문맥을 풍부하게 만듭니다. 이는 학습 중 반복적으로 실행하는 기존 HGNN과 달리 전처리 단계에서 한 번만 수행되므로 효율적입니다. 둘째, ‘클래스별 프로토타입 구성(Class-wise Prototype Construction)‘은 각 클래스의 노드 특징 평균을 계산하여 클래스의 중심 표현을 만듭니다. 셋째, ‘전략적 헤딩 선택(Strategic Herding Selection)‘이 가장 중요한데, 각 클래스 내에서 프로토타입에 대한 특징 공간의 평균을 가장 잘 근사하는 노드들을 탐욕적으로(Greedy) 선택합니다. 이 ‘헤딩’ 알고리즘은 클래스의 분포를 균형 있게 대표하는 노드들을 선별하여, 소수의 노드만으로도 원본 데이터의 다양성과 판별력을 유지할 수 있게 합니다.

이 방법의 강점은 확장성과 실용성에 있습니다. 계산 복잡도가 선형에 가깝고, 결정론적이므로 재현이 용이합니다. 또한 클래스별 예산을 유연하게 조정할 수 있어 불균형 데이터에도 적용 가능합니다. 실험 결과, 극단적인 압축률(1.2%)에서도 Random, K-Center, Coarsening, GCond 등의 기존 방법을 크게 앞지르는 성능을 보였으며, 응축 그래프 생성 시간은 그래디언트 기반 방법 대비 4-6배 빠른 것으로 나타났습니다. 이는 대규모 이질적 그래프에서 HGNN의 배포 장벽을 낮출 수 있는 실질적인 해결책을 제시한다는 점에서 의미가 큽니다.