초록
우리는 그래프 구조 데이터에 대한 비지도 학습을 위한 변분 그래프 오토인코더(VGAE, Variational Graph Auto-Encoder) 프레임워크를 소개합니다. 이 모델은 변분 오토인코더(VAE, Variational Auto-Encoder)를 기반으로 하며 잠재 변수를 활용하여 무방향 그래프의 해석 가능한 잠재 표현을 학습할 수 있습니다. 우리는 그래프 컨볼루션 네트워크(GCN, Graph Convolutional Network) 인코더와 간단한 내적 디코더를 사용하여 이 모델을 시연합니다. 우리의 모델은 인용 네트워크에서 링크 예측 작업에서 경쟁력 있는 결과를 달성하였습니다. 대부분의 기존 그래프 구조 데이터 및 링크 예측에 대한 비지도 학습 모델과는 달리, 우리의 모델은 노드 특성을 자연스럽게 통합할 수 있으며, 이는 여러 벤치마크 데이터셋에서 예측 성능을 크게 향상시킵니다.