대립적으로 규제된 그래프 오토인코더를 이용한 그래프 임베딩

그래프 임베딩은 그래프 데이터를 저차원 공간에서 그래프 분석을 위해 효과적으로 표현하는 방법입니다. 기존의 대부분 임베딩 알고리즘은 일반적으로 그래프 데이터의 위상 구조를 보존하거나 재구성 오류를 최소화하는 데 중점을 두지만, 그래프에서 유래된 잠재 코드의 데이터 분포는 주로 무시되어 왔습니다. 이는 실제 세계의 그래프 데이터에서 열등한 임베딩 결과를 초래하기도 합니다. 본 논문에서는 그래프 데이터를 위한 새로운 적대적 그래프 임베딩 프레임워크를 제안합니다. 이 프레임워크는 그래프 내의 위상 구조와 노드 내용을 압축된 표현으로 인코딩하며, 이를 통해 디코더가 그래프 구조를 재구성하도록 훈련됩니다. 또한, 적대적 훈련 방식을 통해 잠재 표현이 사전 분포와 일치하도록 강제됩니다. 견고한 임베딩을 학습하기 위해, 적대적 접근 방식의 두 가지 변형인 적대적 정규화 그래프 오토인코더 (Adversarially Regularized Graph Autoencoder, ARGA)와 적대적 정규화 변분 그래프 오토인코더 (Adversarially Regularized Variational Graph Autoencoder, ARVGA)가 개발되었습니다. 실제 세계의 그래프에 대한 실험 연구들은 우리의 설계를 검증하고, 제안된 알고리즘이 링크 예측, 그래프 클러스터링 및 그래프 시각화 작업에서 기준 모델들보다 크게 우수함을 입증하였습니다.