반감독 그래프 분류: 계층적 그래프 관점

노드 분류와 그래프 분류는 각각 노드의 클래스 라벨과 그래프의 클래스 라벨을 예측하는 두 가지 그래프 학습 문제입니다. 그래프의 노드는 일반적으로 실제 세계의 엔티티를 나타내며, 예를 들어 소셜 네트워크에서의 사용자나 단백질-단백질 상호작용 네트워크에서의 단백질 등이 해당됩니다. 본 연구에서는 노드 자체가 그래프 인스턴스인 더 어려운 그러나 실용적인 설정을 고려합니다. 이는 소셜 네트워크, 생물학적 네트워크, 문서 집합 등 다양한 영역에서 계층적 그래프 관점을 생성합니다. 예를 들어, 소셜 네트워크에서 공통된 관심사를 가진 사람들의 그룹은 사용자 그룹을 형성하며, 여러 사용자 그룹은 상호 작용이나 공통 멤버를 통해 연결됩니다. 우리는 위 예시에서와 같이 '노드'가 그래프 인스턴스인 계층적 그래프에서 노드 분류 문제를 연구합니다. 실제 세계 데이터에서는 라벨이 일반적으로 제한적이므로, 우리는 \underline{SE}mi-supervised gr\underline{A}ph c\underline{L}assification via \underline{C}autious/\underline{A}ctive \underline{I}teration (간단히 SEAL-C/AI)라는 두 가지 새로운 준지도 학습 솔루션을 설계하였습니다. SEAL-C/AI는 그래프 인스턴스 수준과 계층적 그래프 수준에서 각각 작업하는 두 개의 분류기를 번갈아가며 구축하거나 업데이트하는 반복 프레임워크를 채택합니다. 계층적 그래프 표현을 간소화하기 위해, 우리는 임의 크기의 그래프 인스턴스를 고정 길이 벡터로 임베딩하는 새로운 감독형 자기 주목력 기반 그래프 임베딩 방법인 SAGE(Supervised Attentive Graph Embedding)를 제안하였습니다. 합성 데이터와 텐센트 QQ 그룹 데이터에 대한 실험을 통해, SEAL-C/AI가 정확도/Macro-F1 측면에서 경쟁 방법들을 크게 능가하며, 또한 학습된 표현에 대한 의미 있는 해석을 생성함을 입증하였습니다.