비지도 유도적 그래프 수준 표현 학습을 위한 그래프-그래프 근접성 기반 방법

우리는 그래프 수준의 표현 학습에 대한 새로운 접근 방식을 소개합니다. 이 방법은 전체 그래프를 두 그래프 간의 근접성을 유지하는 벡터 공간으로 임베딩하는 것입니다. 우리의 접근 방식인 UGRAPHEMB는 완전히 비지도적이고 귀납적인 방식으로 그래프 수준의 임베딩을 수행할 수 있는 일반적인 프레임워크를 제공합니다. 학습된 신경망은 훈련 세트에서 보았던 그래프든 보지 못한 그래프든 어떤 그래프라도 입력으로 받아 임베딩으로 변환하는 함수로 고려될 수 있습니다. 우리는 다중 스케일 노드 어텐션(Multi-Scale Node Attention, MSNA)이라는 새로운 그래프 수준의 임베딩 생성 메커니즘을 제안합니다. 5개의 실제 그래프 데이터셋에 대한 실험 결과, UGRAPHEMB가 그래프 분류, 유사성 순위 결정, 및 그래프 시각화 작업에서 경쟁력 있는 정확도를 달성함을 보여줍니다.