신경망은 특성 공학 없이 그래프를 비교할 수 있을까요? 본 논문에서는 도메인 지식이나 감독(즉, 특성 공학 또는 라벨된 그래프) 없이 그래프 유사성을 위한 표현을 학습할 수 있음을 보여줍니다. 우리는 비감독 방법으로 그래프 간의 완화된 형태의 그래프 동형성을 인코딩하는 Deep Divergence Graph Kernels를 제안합니다. 우리의 방법은 세 부분으로 구성됩니다. 첫째, 각 앵커 그래프의 구조를 포착하기 위해 인코더를 학습합니다. 둘째, 각 그래프 쌍에 대해 한 앵커 그래프의 노드 표현을 사용하여 다른 그래프를 재구성하는 크로스-그래프 어텐션 네트워크를 훈련시킵니다. 이 접근 방식을 동형성 어텐션이라고 부르며, 하나의 그래프 표현이 다른 그래프를 얼마나 잘 인코딩할 수 있는지를 포착합니다. 우리는 어텐션 강화 인코더의 예측을 사용하여 각 그래프 쌍에 대한 발산 점수를 정의합니다. 마지막으로, 이러한 쌍별 발산 점수를 사용하여 모든 그래프에 대한 임베딩 공간을 구성합니다.이전 연구와 달리, 많은 연구가 1) 감독, 2) 도메인 특정 지식(예: Weisfeiler-Lehman 커널 의존성), 3) 알려진 노드 정렬에 의존하는 반면, 우리의 비감독 방법은 노드 표현, 그래프 표현 및 그래프 간 어텐션 기반 정렬을 공동으로 학습합니다.실험 결과는 Deep Divergence Graph Kernels가 비감독적인 방식으로 그래프 간 정렬을 학습할 수 있으며, 학습된 표현이 여러 가지 어려운 그래프 분류 작업에서 경쟁력 있는 결과를 얻을 때 특징으로 사용될 수 있음을 보여줍니다. 또한, 학습된 어텐션이 어떻게 그래프 간 하위 구조의 정렬에 통찰력을 제공하는지 설명합니다.