다중 그래프 메타‑트랜스포머를 통한 이질 그래프 정렬과 해석 가능한 공동 추론

초록

MGMT는 각 그래프를 그래프‑트랜스포머로 인코딩한 뒤, 주의 메커니즘으로 선택된 슈퍼노드들을 연결해 메타‑그래프를 구성한다. 메타‑그래프 상에서 추가 트랜스포머 레이어가 내부·외부 구조를 동시에 학습함으로써, 이질한 그래프 집합에 대한 예측 성능을 높이고, 중요한 서브구조와 교차 정렬을 직관적으로 해석할 수 있다.

상세 분석

본 논문은 이질 그래프 집합을 다루는 기존 방법들의 한계를 정확히 짚어낸다. 기존 모델들은 보통 그래프‑레벨 임베딩을 풀링하거나 공유 토큰을 통해 융합하지만, 이는 노드 수준의 정교한 상호작용을 놓친다. MGMT는 먼저 각 그래프에 깊이‑인식(Graph‑Transformer) 인코더를 적용해 다중 수용 영역을 포괄하는 노드 임베딩을 얻는다. 여기서 핵심은 레이어별 신뢰도 Γ(ℓ)ᵢ를 학습해 각 깊이의 출력을 가중 평균함으로써, 얕은 구조와 깊은 구조 정보를 동시에 보존한다는 점이다. 이후 주의 점수 αᵢ를 기반으로 임계값 τ를 넘는 노드들을 슈퍼노드로 선정하고, 이들만으로 부분 그래프 G′ᵢ를 만든다. 슈퍼노드 간의 유사도(e_uv)를 코사인 유사도로 측정해 γ 이상이면 교차‑그래프 엣지를 추가, 이를 통해 메타‑그래프 G_M을 구성한다. 메타‑그래프는 원래 그래프의 내부 연결성을 유지하면서, 기능적으로 정렬된 서브구조 간의 관계를 명시적으로 표현한다. 이후 동일한 트랜스포머 레이어를 메타‑그래프에 적용해 intra‑graph와 inter‑graph 메시지를 동시에 전파한다. 이 설계는 두 가지 중요한 이점을 제공한다. 첫째, 노드‑레벨 정렬을 통해 서로 다른 그래프 간의 구조적 유사성을 직접 학습함으로써, 1‑WL 한계를 넘어서는 표현력을 확보한다. 둘째, 메타‑그래프 자체가 해석 가능한 시각화 도구가 된다; 슈퍼노드와 슈퍼엣지는 각각 중요한 서브구조와 그들 간의 정렬 관계를 직관적으로 드러낸다. 이론적으로는 깊이‑인식 집계가 L‑hop 이웃 혼합을 복원함을 증명하고, 메타‑그래프 함수 클래스가 전통적인 late‑fusion 대비 엄격히 넓은 근사 능력을 가진다는 정리를 제시한다. 실험에서는 합성 데이터와 신경과학 데이터(다중 피험자 뇌 연결망) 모두에서 기존 최첨단 모델(GMT, AMIGO, MGLAM 등)을 능가하는 정확도와 AUC를 기록한다. 특히 알츠하이머 병 진행 예측에서, MGMT가 도출한 슈퍼노드 집합은 알려진 기억 회로와 일치해, 과학적 발견 가능성을 입증한다. 전체적으로 MGMT는 확장성(그래프 수와 크기에 선형적 복잡도), 백본‑아그노스틱 설계, 그리고 해석 가능성을 동시에 만족하는 통합 프레임워크로 평가된다.