THeGAU: 타입 인식 이종 그래프 오토인코더와 증강

초록

이종 그래프 신경망(HGNN)의 유형 정보 손실과 구조적 노이즈 문제를 해결하기 위해, 타입 인식 그래프 오토인코더와 가이드된 그래프 증강을 결합한 모델-불가지론적 프레임워크 THeGAU를 제안한다. 이는 스키마-유효 엣지 재구성을 통해 노드 유형 의미를 보존하고, 디코더 기반 증강으로 노이즈 구조를 정제하여 강건성과 정확도를 향상시킨다. IMDB, ACM, DBLP 데이터셋에서 기존 방법들을 능가하는 최첨단 성능을 입증했다.

상세 분석

THeGAU 프레임워크의 기술적 핵심은 이종 정보 네트워크(HIN)의 고유한 복잡성을 보존하면서도 표현력을 강화하는 데 있다. 기존 HGNN들이 다양한 노드/엣지 타입의 정보를 단일 공간에 투영하거나 집중하는 과정에서 발생하는 ‘타입 정보 손실’과 그래프 구조 내 ‘노이즈’를 동시에 해결하고자 한다.

주요 기술적 통찰 및 구성 요소는 다음과 같다:

1. 타입 인식 그래프 디코더(TGD): 기존 동종 그래프 오토인코더가 모든 노드 쌍에 동일한 디코더를 적용하는 것과 달리, THeGAU는 노드 타입별로 독립적인 MLP를 적용하여 타입 인식 임베딩을 생성한다. 이는 Legal_edge 필터와 결합되어 그래프 스키마 내에서만 유효한 엣지(예: IMDB의