초록
노드 임베딩은 그래프 데이터를 저차원 공간에서 표현하는 빈번하게 사용되는 기술이 되었습니다. 그래프 오토인코더는 이러한 기법 중 하나로, 그래프 데이터의 재구성 오류를 최소화하여 비지도 방식으로 그래프 임베딩을 학습하도록 제안되었습니다. 그러나 이 재구성 손실은 잠재 표현의 분포를 무시하기 때문에, 열등한 임베딩을 생성할 수 있습니다. 이 문제를 완화하기 위해, 우리는 인코더가 학습한 표현을 규제하기 위한 랜덤 워크 기반 방법을 제안합니다. 실험 결과, 제안된 새로운 개선 방안은 노드 클러스터링 작업에서 기존 최신 모델보다 크게 우수한 성능(최대 7.5% 향상)을 보였으며, 코라(Cora), 시테서(CiteSeer), 퍼블메드(PubMed)라는 세 가지 표준 데이터셋에 대한 링크 예측 작업에서도 최신 정확도를 달성했습니다. 코드는 https://github.com/MysteryVaibhav/DW-GAE에서 확인할 수 있습니다.