변분 그래프 순환 신경망

그래프 구조화된 데이터에 대한 표현 학습은 주로 정적 그래프 환경에서 연구되어 왔으며, 동적 그래프 모델링을 위한 노력은 아직 부족한 상태입니다. 본 논문에서는 동적 그래프의 토폴로지와 노드 속성 변화를 모두 포착하기 위해 그래프 재귀 신경망(GRNN)의 은닉 상태를 공동으로 모델링하는 새로운 계층적 변분 모델을 개발합니다. 우리는 이 변분 GRNN(VGRNN)에서 고수준 잠재 랜덤 변수의 사용이 동적 그래프에서 관찰되는 잠재적인 변동성을 더 잘 포착하고 노드 잠재 표현의 불확실성을 처리할 수 있다고 주장합니다. 이 새로운 VGRNN 아키텍처를 위해 개발된 반암시적 변분 추론(SI-VGRNN)을 통해 유연한 비가우스 잠재 표현이 동적 그래프 분석 작업에 더욱 도움이 될 수 있음을 보여줍니다. 다수의 실제 동적 그래프 데이터셋을 사용한 실험 결과, SI-VGRNN과 VGRNN이 기존 베이스라인 및 최신 방법보다 동적 링크 예측에서 크게 우수한 성능을 보임을 확인할 수 있었습니다.