GraphGAN: 생성적 적대 네트워크를 이용한 그래프 표현 학습

그래프 표현 학습의 목표는 그래프 내 각 정점을 저차원 벡터 공간에 임베딩하는 것입니다. 기존의 그래프 표현 학습 방법은 두 가지 범주로 분류될 수 있습니다: 그래프 내 연결성 분포를 학습하는 생성 모델과 두 정점 간의 엣지 존재 확률을 예측하는 판별 모델입니다. 본 논문에서는 위 두 클래스의 방법을 통합한 혁신적인 그래프 표현 학습 프레임워크인 GraphGAN을 제안합니다. 이 프레임워크에서 생성 모델과 판별 모델은 게임 이론적 미니맥스 게임을 수행합니다. 구체적으로, 주어진 정점에 대해 생성 모델은 모든 다른 정점에 대한 실제 연결성 분포를 적합시키고 "가짜" 샘플을 생성하여 판별 모델을 속이려고 합니다. 반면에, 판별 모델은 샘플링된 정점이 실제 데이터에서 나왔는지 생성 모델에 의해 생성되었는지를 감지하려고 합니다. 이러한 두 모델 간의 경쟁으로 인해, 둘 다 교대로 반복적으로 성능을 향상시킬 수 있습니다. 또한, 생성 모델의 구현을 고려할 때, 전통적인 소프트맥스 함수의 한계를 극복하기 위해 새로운 그래프 소프트맥스(graph softmax)를 제안합니다. 이 그래프 소프트맥스는 정규화, 그래프 구조 인식, 계산 효율성 등의 바람직한 특성을 만족함이 증명되었습니다. 실제 데이터셋을 사용한 광범위한 실험을 통해 GraphGAN이 링크 예측, 노드 분류, 추천 등 다양한 응용 분야에서 최신 기법들을 크게 능가한다는 것을 보여줍니다.