동적 이종 네트워크에서 맥락을 고려한 신뢰 예측 모델 CAT

초록

본 연구는 그래프 신경망(GNN) 기반 신뢰 예측 모델의 한계를 해결하는 CAT를 제안한다. 기존 모델은 신뢰의 동적 변화, 네트워크의 이종성, 맥락 인식을 고려하지 못했다. CAT는 연속 시간 표현, 이중 주의 메커니즘, 맥락 인식 메타 경로 등을 도입하여 동적 이종 네트워크에서 맥락별 신뢰와 전체 신뢰를 모두 정확하게 예측한다. 실험을 통해 높은 예측 성능, 확장성, 공격에 대한 강건성을 입증했다.

상세 분석

본 논문이 제안하는 CAT 모델은 GNN 기반 신뢰 예측 연구에서 중요한 진전을 이루었다고 평가할 수 있다. 핵심 기술적 기여는 세 가지 차원에서의 통합적 접근에 있다.

첫째, 동적성(Dynamicity) 모델링에 있어 연속 시간 인코딩 함수를 사용하여 미세한 시간적 변화를 포착한다. 기존의 이산 시간(스냅샷) 방식은 시간 간격 내 세부 패턴을 놓칠 수 있으며, 기존 연속 시간 방식은 확장성 문제가 있었다. CAT는 ‘최근 시간 이웃 샘플링’과 ‘1-홉 신뢰 전파’ 전략을 통해 정확성과 확장성의 트레이드오프를 효과적으로 해결했다.

둘째, 이종성(Heterogeneity) 처리를 위해 ‘이중 주의 메커니즘(Dual Attention Mechanism)‘을 설계했다. 첫 번째 주의는 서로 다른 노드 유형(예: 사용자, 아이템)의 중요성을, 두 번째 주의는 동일 유형 내 개별 노드의 중요성을 학습한다. 이를 통해 이종 네트워크의 풍부한 의미 정보를 활용하면서도 불필요한 노이즈의 영향을 줄일 수 있다.

셋째, 가장 혁신적인 부분은 **맥락 인식(Context-Awareness)**의 구현이다. 연구진은 ‘맥락 인식 메타 경로’라는 새로운 개념을 도입하여 아이템 카테고리와 같은 맥락 정보를 그래프 구조에 명시적으로 통합했다. 또한, ‘맥락 임베딩’ 생성과 ‘맥락 인식 집계기’를 설계하여, 레이블이 없는 맥락별 신뢰 데이터가 없는 상황에서도 전체 신뢰 레이블을 통해 맥락별 신뢰를 예측할 수 있는 자기지도 학습 방식을 가능하게 했다. 이는 신뢰의 기본 속성인 맥락 의존성을 최초로 GNN 모델에 반영한 점에서 의미가 크다.

실험 결과, CAT는 기존 정적/동적, 동종/이종 모델들을 포함한 다양한 베이스라인을 큰 차이로 능가했으며, 특히 학습 데이터에 없는 ‘관찰되지 않은 사용자’에 대한 예측 성능 향상이 두드러졌다. 또한, 신뢰 기반 공격과 GNN 구조를 표적으로 하는 공격 모두에 대해 높은 강건성을 보였다. 이는 모델이 단순한 패턴이 아닌 의미론적 이해에 기반해 예측하기 때문으로 해석된다.