간단한 그래프 대비 학습으로 이질성 그래프를 정복한다

초록

본 논문은 복잡한 데이터 증강이나 음성 샘플링 없이, GCN과 MLP 두 개의 단순 인코더만으로 이질성 그래프에서 뛰어난 대비 학습 성능을 달성한다는 원리를 제시한다. 노드 특성 노이즈와 구조적 노이즈를 서로 약하게 상관되게 만들고, 이를 대비 손실로 결합함으로써 노이즈 감소와 클래스 중심 강화가 동시에 이루어진다. 실험 결과, 이 방법은 이질성 벤치마크에서 최첨단 정확도를 기록하면서도 학습 시간·메모리 비용이 크게 낮다.

상세 분석

이 논문은 그래프 대비 학습(GCL)의 핵심 과제가 “노드 특성 노이즈”와 “구조적 노이즈”를 어떻게 효과적으로 완화하느냐에 있다고 주장한다. 기존 연구들은 복잡한 데이터 증강(엣지 삭제, 특성 마스킹 등)이나 다중 스펙트럼 필터, 고급 GNN 구조, 음성 샘플링 등을 도입해 서로 다른 뷰를 만들었지만, 이러한 복잡성은 특히 이질성 그래프에서 오히려 노이즈를 증폭시킬 위험이 있다. 저자들은 노드 특성 자체와 그래프 토폴로지를 이용해 얻은 구조적 표현이 본질적으로 서로 다른 노이즈 성분을 가지고 있음을 수학적으로 증명한다. 정의 1에서 각 클래스별 평균(centroid)와 노이즈를 정의하고, Proposition 1을 통해 두 뷰의 중심 벡터가 높은 코사인 유사도를 가질수록 집계된 중심의 크기가 커지고, 반대로 각 뷰의 노이즈가 낮은 상관성을 가질수록 노이즈가 상쇄된다는 점을 보인다. 이는 “노이즈 상쇄”라는 직관적 원리를 정량화한 것이다.

구조적 노이즈는 k‑hop 인접 행렬 A^k 를 이용해 원본 특성을 전파함으로써 생성된다. Proposition 2와 Observation 1은 k가 커질수록 구조적 노이즈가 원본 특성 노이즈와 점점 독립적으로 변한다는 것을 보여준다. 특히 2‑layer GCN(즉, k=2)만으로도 충분히 약한 상관성을 확보할 수 있음을 실험적으로 확인한다.

모델 설계는 이론적 통찰을 그대로 구현한다. 하나의 뷰는 단순 MLP를 사용해 원본 특성만을 처리해 “특성 노이즈”를 그대로 보존하고, 다른 뷰는 2‑layer GCN을 사용해 인접 정보를 통합해 “구조적 노이즈”를 생성한다. 두 인코더는 파라미터 공유 없이 독립적으로 학습되며, 대비 손실은 일반적인 InfoNCE 형태로 구현된다. 중요한 점은 데이터 증강이나 음성 샘플링이 전혀 필요 없으며, β = 0.5 정도의 간단한 가중 평균으로 두 뷰를 결합한다는 점이다.

실험에서는 이질성 그래프(Wisconsin, Roman 등)와 동질성 그래프(Cora, PubMed 등) 모두에서 기존 최첨단 방법(GrapACL, PolyGCL, EP‑AGCL, SDMG 등)보다 높은 정확도와 훨씬 짧은 학습 시간, 낮은 메모리 사용량을 기록한다. 특히 대규모 Roman 데이터셋에서는 메모리 초과(OOM) 문제를 겪는 다른 방법들과 달리 정상적으로 학습이 가능했다. 또한, 흑백 상자(adversarial) 공격에 대한 강인성 실험에서도 기존 방법보다 높은 복원율을 보이며, 구조적 노이즈가 공격에 대한 내성을 높이는 역할을 함을 확인한다.

이 논문의 기여는 크게 세 가지이다. 첫째, 복잡한 증강·음성 샘플링 없이도 대비 학습이 가능하다는 “단순성” 원칙을 제시했다. 둘째, 특성 노이즈와 구조적 노이즈의 상관성을 최소화하는 것이 노이즈 감소와 클래스 중심 강화에 직접적인 영향을 미친다는 이론적 근거를 제공했다. 셋째, 이러한 원리를 실제 모델에 적용해 이질성 그래프에서의 성능 격차를 크게 줄였으며, 계산·메모리 효율성까지 동시에 달성했다. 앞으로는 더 깊은 GCN 층이나 다른 토폴로지 변환을 통해 구조적 노이즈를 조절하거나, 다중 뷰를 확장해 semi‑supervised 설정에 적용하는 연구가 기대된다.