하이퍼볼릭 그래프 생성의 새로운 패러다임 GGBall

초록

GGBall은 Poincaré 볼 위에 완전한 하이퍼볼릭 그래프 생성 프레임워크를 제시한다. 하이퍼볼릭 벡터‑양자화 오토인코더(HVQVAE)와 닫힌 형태의 지오데식 흐름 매칭(prior)을 결합해 복잡한 잠재 분포를 모델링하고, 전용 하이퍼볼릭 GNN·Transformer 레이어로 안정적인 학습과 스케일링을 구현한다. 실험에서는 계층적 그래프(Community‑Small, Ego‑Small)와 분자 그래프(QM9)에서 기존 최첨단 대비 18 % 이상 성능 향상을 달성하였다.

상세 분석

본 논문은 그래프 생성에서 계층적 구조를 효과적으로 다루기 위해 Euclidean 공간의 한계를 극복하고자 하이퍼볼릭 공간, 특히 Poincaré 볼을 잠재 공간으로 채택한다. 핵심 기여는 네 가지로 요약된다. 첫째, 하이퍼볼릭 벡터‑양자화 오토인코더(HVQVAE)를 설계해 그래프를 고정된 크기의 토큰 시퀀스로 압축한다. 양자화 단계에서 지오데식 클러스터링을 이용해 코드북을 초기화하고, Riemannian 최적화를 통해 곡률을 보존하면서 학습한다. 둘째, 흐름 매칭(flow matching) 기법을 하이퍼볼릭 공간에 그대로 적용한다. 닫힌 형태의 지오데식을 이용해 선형 흐름을 정의함으로써 복잡한 잠재 분포를 명시적 노이즈 없이 표현한다. 셋째, 완전한 하이퍼볼릭 연산을 지원하는 GNN·Transformer 모듈을 구현한다. 메시지 패싱은 원점의 탄젠트 공간으로 로그 매핑 후 유클리드 연산을 수행하고, 다시 지수 매핑으로 복귀하는 방식으로 수치적 안정성을 확보한다. 어텐션은 점곱 대신 지오데식 거리 기반 스코어링을 사용하고, 값 집합은 Möbius 기하중심(gyromidpoint)으로 가중 평균한다. 이러한 설계는 하이퍼볼릭 거리와 각도가 그래프 구조, 특히 트리‑유사 계층을 자연스럽게 인코딩하도록 만든다. 넷째, 노드‑전용 잠재 표현을 도입해 노드와 엣지를 별도 공간에 매핑하지 않는다. 엣지 존재 확률은 두 노드 임베딩 간의 하이퍼볼릭 거리와 각도에 조건부로 정의되어, 구조적 일관성을 유지하면서 디코딩 복잡도를 크게 낮춘다. 실험에서는 MMD 기반 degree 유사도, edge reconstruction accuracy, 그리고 분자 생성의 novelty·validity 등 다양한 지표에서 기존 Euclidean VAE, VQ‑VAE, 그리고 최신 그래프 디퓨전·오토리그레시브 모델을 크게 앞선다. 특히 계층적 데이터셋에서 degree MMD를 75 % 이상 감소시켰으며, QM9에서는 93.77 %의 최고 novelty와 전체 VU.N 점수에서 최고 기록을 세웠다. 전체적으로 하이퍼볼릭 기하학을 모델 설계와 학습 전반에 일관되게 적용함으로써, 계층적 복잡성을 보존하면서도 효율적인 그래프 생성이 가능함을 입증한다.