초록
그래프 컨볼루셔널 표현(Graph Convolutional Representation, GCR)은 그래프 데이터 표현에서 뛰어난 성능을 달성하였습니다. 그러나 기존의 GCR은 일반적으로 입력된 고정된 그래프 위에서 정의되므로, 이는 표현 능력을 제한할 수 있으며 구조적 공격과 노이즈에 취약할 수도 있습니다. 이러한 문제를 해결하기 위해, 우리는 강건한 그래프 데이터 표현 및 학습을 위한 새로운 잠재 그래프 컨볼루셔널 표현(Latent Graph Convolutional Representation, LatGCR)을 제안합니다. 우리의 LatGCR은 그래프 이웃 재구성을 측면에서 그래프 컨볼루셔널 표현을 재정식화하여 도출되었습니다. 입력 그래프 $\textbf{A}$가 주어질 때, LatGCR은 그래프 컨볼루션 표현을 위해 유연한 잠재 그래프 $\widetilde{\textbf{A}}$를 생성하는 것을 목표로 하며, 이는 명백히 표현 능력을 향상시키고 동시에 그래프 구조적 공격과 노이즈에 대해 강건하게 동작합니다. 또한, LatGCR은 자기 지도 방식으로 구현되어 있으므로 감독된 학습과 비감독된 학습 모두에 기본 블록을 제공합니다. 여러 데이터셋에 대한 실험 결과는 LatGCR의 효과성과 강건성을 입증하고 있습니다.