밀도 인식 엣지 학습을 통한 조건부 그래프 생성

초록

본 논문은 클래스별 밀도 분포를 반영하는 가변적인 엣지 생성 방식을 도입한 조건부 그래프 생성 모델을 제안한다. Wasserstein GAN‑GP와 그래프 신경망 기반 비평가를 결합하고, 노드를 잠재 공간에 임베딩한 뒤 거리 기반 엣지 예측기를 통해 연결 확률을 학습한다. 클래스별 평균 밀도에 맞춰 상위 확률 엣지를 선택함으로써 실제 그래프의 희소성 및 구조적 특성을 재현한다. 실험 결과, 기존 랜덤 엣지 샘플링 기반 방법들보다 구조 일관성, 클래스 일치도, 학습 안정성에서 우수함을 보인다.

상세 분석

이 연구는 그래프 생성의 핵심 난제인 “이산 구조와 가변 크기, 클래스별 연결 패턴”을 해결하기 위해 두 가지 혁신적인 메커니즘을 도입한다. 첫 번째는 거리 기반 엣지 예측기이다. 기존 GAN 기반 그래프 생성기들은 고정된 확률 혹은 전체 행렬을 직접 예측하는 방식에 의존했으며, 이는 노드 간 복합적인 의존성을 포착하지 못한다. 저자는 노드별 독립 노이즈와 클래스 임베딩을 결합해 각 노드를 잠재 벡터 h_i 로 매핑하고, ‖h_i‑h_j‖² 를 이용해 연결 확률 p_ij=σ(−‖h_i‑h_j‖²+θ·T) 를 계산한다. 여기서 θ는 클래스마다 학습되는 거리 임계값, T는 온도 파라미터로, 학습 초기에 부드러운 그래디언트를 제공하고 점차 결정적 연결을 만들도록 조절한다. 이 설계는 동질성(homophily) 를 자연스럽게 반영하면서도 허브 노드와 같은 비동질적 패턴을 학습할 수 있게 한다.

두 번째 혁신은 밀도 인식 엣지 선택이다. 각 클래스 c에 대해 평균 노드 수 (\bar n_c)와 평균 엣지 수 (\bar m_c)를 이용해 기대 밀도 (\rho_c = 2\bar m_c / (\bar n_c(\bar n_c-1))) 를 추정한다. 생성 단계에서 모든 (\frac{n(n-1)}{2}) 쌍에 대한 p_ij 를 계산한 뒤, 상위 k = ⌊ρ_c·(\frac{n(n-1)}{2})⌋ 개 엣지만을 선택한다. 이는 (1) 실제 그래프의 희소성 수준을 유지, (2) 모델이 가장 자신 있는 연결을 우선 사용, (3) 클래스별 구조적 차이를 명시적으로 반영한다는 세 가지 장점을 제공한다.

학습 프레임워크는 WGAN‑GP 를 기반으로 하며, GCN 기반 비평가가 생성된 그래프와 실제 그래프의 토폴로지를 동시에 평가한다. 비평가는 노드 특징과 클래스 임베딩을 풀링해 전역 표현을 만든 뒤, 1‑Lipschitz 제약을 만족하도록 그래디언트 페널티를 적용한다. 이렇게 함으로써 전통적인 GAN에서 흔히 발생하는 모드 붕괴와 불안정성을 크게 완화한다.

실험에서는 화학 분자 데이터셋(예: QM9)과 소셜 네트워크 데이터셋을 사용해 기존 GraphRNN, MolGAN, LGGAN 등과 비교하였다. 평가 지표는 Maximum Mean Discrepancy (MMD), Degree Distribution, Clustering Coefficient, Orbit Statistics 등을 포함한다. 제안 모델은 특히 클래스별 밀도와 연결 패턴을 정확히 재현하는 데 뛰어나며, 시각적 샘플에서도 실제 그래프와 유사한 구조적 클러스터링을 확인할 수 있다. 또한, 학습 곡선이 부드럽고 판별자와 생성자 간 손실이 안정적으로 수렴하는 모습을 보여, 실용적인 데이터 증강 및 프라이버시 보호 목적에도 적합함을 시사한다.

요약하면, 이 논문은 잠재 공간 거리 기반 엣지 예측 + 클래스 밀도 제어 라는 두 축을 결합해, 기존 무작위 샘플링 기반 그래프 GAN의 한계를 극복하고, 보다 현실적인 그래프 구조를 생성하는 새로운 패러다임을 제시한다.