그래프 토폴로지가 노드 속성 분포에 미치는 영향 모델링

초록

본 논문은 그래프의 구조적 토폴로지를 노드 속성의 확률 분포와 결합하는 새로운 범주론적 프레임워크를 제시한다. 자유 범주와 언더 카테고리를 이용해 각 노드가 그래프를 바라보는 관점을 정량화하고, 이를 속성 분포와 융합해 $P(\cdot|v)$와 $P(\cdot|\mathcal G)$를 추정한다. 완전 그래프에서 원래 속성 분포를 복원한다는 충분조건을 증명하고, 간단한 테스트베드(ID)를 통해 비지도 그래프 이상 탐지에 적용한다.

상세 분석

이 연구는 기존의 그래프 신경망이 구조와 속성을 단순히 결합하는 방식을 넘어, 토폴로지를 증거(evidence) 로 취급하여 속성 분포의 사후 확률을 정의한다는 점에서 혁신적이다. 저자들은 먼저 그래프 $G$에 대해 자유 범주(Cat(G)) 를 구성하고, 노드들을 객체, 경로들을 사상으로 삼아 그래프의 위상 정보를 완전하게 캡처한다. 특히 언더 카테고리(v/ G) 를 각 노드 $v$의 “시점(viewpoint)” 으로 정의함으로써, 노드가 자신으로부터 시작하는 모든 경로 집합을 구조적 관점으로 표현한다. 이 시점들은 서로 겹치지 않으며, 인접한 노드 사이의 경로는 함수(e·−) 로 연결돼 토폴로지적 공통성을 반영한다.

그러나 언더 카테고리 자체는 무한히 많은 객체를 포함하므로 직접 계산이 불가능하다. 이를 해결하기 위해 저자들은 GGNN 프레임워크 에서 도입된 모노이드 $SMult(G)$ 와 덮개(Cover) 개념을 차용한다. 길이 $m$ 의 경로를 선택해 만든 $Cov(m)$ 를 통해 유한한 부분집합을 추출하고, 이를 동형 사상 $Tr$ 로 매트릭스로 변환한다. 결과적으로 $MI(m)=A\circ\cdots\circ A$ ( $m$ 번) 로 표현되는 행렬이 얻어지며, 이는 $(I+A)^m-I$ 로도 계산 가능해 효율성을 확보한다. 행렬 $MI(m)$ 의 $i$번째 행은 노드 $v_i$가 길이 $m$ 경로를 통해 다른 노드와 맺는 연결 강도를 정량화한다.

속성 분포 $P$ 를 토폴로지에 결합하기 위해 저자들은 가중치 행렬 $W$ 를 정의한다. $W_{ij}=P_j,(1-P_j)^{\theta}$ (인접한 경우) 로, 파라미터 $\theta\in