범주론으로 보는 위스페일러‑레만: 하이퍼그래프 표현력의 새로운 패러다임

초록

본 논문은 그래프 신경망의 리프팅 기법을 범주론적 관점에서 일반화한다. 데이터 카테고리를 등급화된 부분집합(poset)으로 사상하는 펑터를 정의하고, 이를 통해 하이퍼그래프에 특화된 두 종류의 펑터(Incidence 펑터와 Symmetric Simplicial 펑터)를 제시한다. 이 펑터들로부터 유도된 Hypergraph Isomorphism Networks는 기존의 1‑WL 한계를 뛰어넘는 표현력을 보이며, 이론적 증명과 실험을 통해 표준 Hypergraph WL 테스트보다 강력함을 입증한다.

상세 분석

이 논문은 기존 그래프 신경망(GNN)의 표현력이 1‑WL(Weisfeiler‑Lehman) 테스트에 의해 제한된다는 점을 출발점으로 삼는다. 최근 그래프를 고차원 구조(예: 단순 복합체, 셀 복합체)로 리프팅하여 표현력을 강화하는 연구가 활발하지만, 하이퍼그래프는 노드와 하이퍼엣지의 비정형 집합 구조 때문에 이러한 리프팅이 일관되게 적용되지 못했다. 저자들은 이를 해결하기 위해 “범주론적 Weisfeiler‑Lehman(CatWL)” 프레임워크를 제안한다. 핵심 아이디어는 모든 데이터 타입을 **등급화된 부분집합(graded poset)**이라는 통일된 도메인으로 사상하는 펑터(Functor)를 정의하는 것이다.

먼저, graded poset은 원소들 사이에 포함 관계와 차원을 동시에 부여한 부분집합 구조로, 그래프의 인시던스 구조, 단순 복합체, 정규 셀 복합체 등을 모두 포괄한다. 정의된 Graded WL(GWL) 알고리즘은 각 원소에 색을 할당하고, 네 종류의 4‑인접(경계, 공경계, 하향, 상향) 정보를 해시함수로 집계해 색을 재귀적으로 정제한다. 두 graded poset이 모든 단계에서 동일한 색 히스토그램을 보이면 동형이라고 판단한다.

다음으로, 데이터 카테고리 C(예: Hypergraph)와 목표 카테고리 Poset 사이의 펑터 F를 도입한다. 펑터는 객체와 사상(동형)을 각각 graded poset 객체와 사상으로 보존한다. 따라서 F‑CatWL은 (1) 입력 객체 X를 F(X)라는 graded poset으로 변환하고, (2) GWL을 적용해 동형성을 검사한다. 펑터의 존재 자체가 리프팅이 동형을 보존함을 보장하므로, 기존의 비정형 하이퍼그래프 리프팅이 겪던 “구조 손실” 문제를 근본적으로 해결한다.

논문은 두 구체적인 펑터를 제시한다. Incidence 펑터는 하이퍼그래프를 이분 그래프 형태의 인시던스 poset으로 변환한다. 이는 기존 bipartite expansion과 동일하지만, graded poset의 차원 정보를 활용해 상하위 인접을 모두 고려함으로써 정보 흐름을 풍부하게 만든다. Symmetric Simplicial 펑터는 각 하이퍼엣지를 완전한 심플렉스로 해석해 대칭적인 단순 복합체 구조를 만든다. 이 경우 차원은 하이퍼엣지의 크기에 비례하고, 모든 부분집합이 자동으로 포괄적 경계·공경계 관계를 형성한다. 두 펑터 모두 기존 Hypergraph WL 테스트보다 강력함을 이론적으로 증명한다.

신경망 구현 단계에서는 색을 연속적인 벡터로 대체하고, 해시 함수를 학습 가능한 메시지 함수와 집계 함수로 교체한 F‑CatMPN을 정의한다. 각 원소 σ에 대해 네 종류의 메시지를 계산하고, 이를 합산·변환해 다음 레이어의 특징을 업데이트한다. 이 구조는 기존 GNN‑WL 등가성을 확장한 것으로, Theorem 7은 F‑CatMPN이 F‑CatWL과 동일한 구분력을 가짐을 보인다.

실험에서는 여러 실세계 하이퍼그래프 벤치마크(예: co‑authorship, protein‑complex, recommendation)에서 Incidence‑HIN과 Simplicial‑HIN이 기존 Hypergraph GNN(HyperGCN, HGNN, Hypergraph Transformer 등)을 크게 앞선 정확도와 일반화 성능을 보였다. 특히 복잡한 교차 구조를 가진 데이터셋에서 Simplicial‑HIN이 현저히 우수했으며, 이는 graded poset 상에서의 풍부한 상하위 인접 정보 활용이 효과적임을 실증한다.

전반적으로 이 논문은 “리프팅 = 펑터”라는 명확한 수학적 정의를 제공함으로써, 하이퍼그래프와 같은 고차원 비정형 데이터에 대한 GNN 설계 원칙을 체계화한다. 펑터 선택에 따라 메시지 전달 토폴로지를 자유롭게 조정할 수 있는 설계 공간을 열어 주며, 향후 다른 데이터 카테고리(예: 다중 모달 그래프, 동적 네트워크)에도 동일한 프레임워크를 적용할 가능성을 제시한다.