그래프 구조 균형을 통한 불균형 노드 분류 향상

초록

GraphSB는 그래프의 구조적 불균형을 먼저 교정한 뒤, 기존의 데이터·알고리즘 수준 방법을 결합해 소수 클래스 노드의 표현을 강화한다. 두 단계의 구조 최적화(구조 강화와 관계 확산)를 통해 경계 근처의 어려운 샘플을 발굴하고, 소수 클래스 연결성을 적응적으로 증강한다. 실험 결과, 다양한 벤치마크에서 최첨단 방법들을 크게 앞서며, 플러그인 형태로 적용 시 평균 4.57%의 정확도 향상을 보인다.

상세 분석

본 논문은 그래프 신경망(GNN)에서 발생하는 클래스 불균형 문제를 기존의 데이터 수준(소수 클래스 노드 합성)과 알고리즘 수준(손실 가중치, 정규화) 접근법만으로는 근본적인 구조적 불균형을 해결하지 못한다는 점을 지적한다. 저자들은 구조적 불균형이란 소수 클래스 노드가 주변 이웃이 희박해 동일 클래스 정보가 충분히 전달되지 못하고, 다층 메시지 전달 과정에서 다수 클래스의 영향이 지수적으로 확대되는 현상으로 정의한다. 이를 이론적으로 뒷받침하기 위해 세 가지 정리를 제시한다. 첫 번째 정리에서는 불균형 그래프의 평균 차수 비율 τ가 정보 희석(오버스쿼싱)을 가속화하여 소수 클래스 노드의 특성이 빠르게 소멸함을 보인다. 두 번째 정리는 그래프의 불균형 비율 β가 크면 다수 클래스 노드의 그래디언트가 학습 과정에서 압도적으로 커져 소수 클래스 파라미터 업데이트가 억제된다는 ‘그래디언트 지배’를 증명한다. 세 번째 정리는 네트워크 깊이가 증가함에 따라 소수와 다수 클래스 중심 간 거리 ∆(ℓ)가 지수적으로 감소해, 결국 소수 클래스 노드가 다수 클래스 서브스페이스에 동화되는 ‘소수 클래스 동화’를 설명한다. 이러한 분석은 구조적 불균형이 GNN의 표현 학습 전반에 걸쳐 누적되는 근본 원인임을 명확히 한다.

이에 대한 해결책으로 제안된 GraphSB는 두 단계 구조 최적화를 핵심으로 한다. 첫 단계인 구조 강화(Structure Enhancement)에서는 이중 뷰(특징 뷰와 이웃 뷰)를 활용해 결정 경계 근처에 위치한 ‘hard sample’을 탐지한다. 특징 뷰에서는 경량 MLP를 통해 각 노드의 클래스 확률을 얻고, 1위가 다수 클래스이면서 2위가 소수 클래스인 노드를 후보로 선정한다. 이때 두 번째 확률이 일정 임계값 ξ를 초과해야 잡음이 억제된다. 이와 동시에 이웃 뷰에서는 정규화 인접 행렬을 이용해 이웃들의 클래스 예측을 소프트 투표하고, 후보 노드가 이웃 다수보다 소수 클래스에 더 높은 평균 확률을 보일 경우 최종 후보 집합에 포함한다. 이렇게 선정된 hard sample은 소수 클래스 앵커 노드와의 코사인 유사도를 계산해, 유사도가 앵커의 평균 이웃 유사도 τ_v보다 높을 경우 새로운 에지를 추가한다. 이 과정은 구조적 동질성을 유지하면서 소수 클래스의 연결성을 강화한다.

두 번째 단계인 관계 확산(Relation Diffusion)에서는 강화된 에지 집합을 기반으로 다중 단계 확산 과정을 수행한다. 여기서는 기존 GNN의 메시지 전달을 확장해, 강화된 소수 클래스 연결을 통해 고차 구조 의존성을 포착한다. 구체적으로, 확산 단계마다 업데이트 함수 ϕ와 메시지 집계 ψ를 반복 적용하면서, 소수 클래스 노드가 더 풍부한 동질성 정보를 획득하도록 설계한다. 이때 확산 파라미터 λ_i를 통해 각 단계의 영향력을 조절하고, 전체 확산 결과 Z^{(k)}를 최종 노드 임베딩에 통합한다.

GraphSB는 구조적 균형을 사전 처리 단계로 두어, 이후에 적용되는 GraphMixup 등 기존 데이터 수준 합성 방법과 자연스럽게 결합된다. 실험에서는 8개의 공개 데이터셋(Cora, Citeseer, Pubmed 등)에서 베이스라인(GCN, GraphSAGE, GAT) 및 최신 불균형 대응 기법(DR‑GCN, ReNode, BATS 등) 대비 평균 4.57% 이상의 정확도 향상을 기록했다. 특히, 구조 강화만 적용했을 때도 소수 클래스 F1 점수가 크게 개선되었으며, 관계 확산 단계는 깊은 GNN에서 발생하는 정보 손실을 효과적으로 보완한다는 결과를 보였다.

종합하면, GraphSB는 구조적 불균형을 이론적으로 분석하고, 이를 정량적·정성적으로 교정하는 두 단계 메커니즘을 제시함으로써, 기존 GNN 기반 불균형 노드 분류 방법의 한계를 뛰어넘는다. 플러그인 형태로 구현 가능하다는 점은 실제 시스템에 손쉽게 적용할 수 있는 실용성을 제공한다.