구조 적응형 그래프 신경망 AdvSynGNN: 적대적 합성 및 자기 교정 전파

초록

AdvSynGNN은 구조적 노이즈와 이질성(heterophily) 그래프에 강인한 노드 임베딩을 만들기 위해 네 가지 핵심 모듈을 결합한 통합 프레임워크이다. 다중 스케일 구조 인코딩과 대비 학습으로 기하학적 초기화를 안정화하고, 학습 중 적대적 토폴로지 생성기를 통해 노이즈를 정규화한다. 신뢰도 기반 잔차 전파와 이질성‑인식 트랜스포머 어텐션을 통해 라벨 예측을 교정·보강한다. 이론적 수렴 분석과 스펙트럼 클리핑, 신뢰도 상한 제어를 제시하고, 동종·이질성 벤치마크에서 정확도·견고성·효율성을 동시에 향상시킨다.

상세 분석

AdvSynGNN은 기존 그래프 신경망이 겪는 세 가지 근본적인 한계—동질성 가정에 대한 취약성, 구조적 노이즈에 대한 민감성, 대규모 그래프에서의 메모리·연산 비용—를 동시에 해결하려는 시도로 눈에 띈다. 첫 번째 모듈인 다중 스케일 구조 인코딩은 정규화된 라플라시안 eA를 이용해 K‑hop 전파를 수행하고, 각 단계의 결과를 연결(concatenation)해 XMS를 만든다. 이는 로컬·글로벌 토폴로지를 동시에 포착함으로써 대비 학습(L_ssl)에서 다양한 그래프 변형에 대한 불변성을 제공한다. 대비 손실은 코사인 유사도 기반으로, 온‑라인으로 생성되는 두 개의 뷰(원본·노이즈 변형) 사이의 유사도를 최대화해 임베딩 공간을 안정화한다.

두 번째 핵심은 이질성‑인식 트랜스포머이다. 전통적인 그래프 트랜스포머는 어텐션 가중치를 노드 피처의 내적에만 의존해 동질성 그래프에 편향된다. AdvSynGNN은 각 엣지 (i, j)에 대해 MLP(