초록
그래프 커널은 그래프 유사도를 측정하는 커널 방법으로, 그래프 분류에 있어 표준적인 도구로 사용된다. 그러나 그래프 표현 학습과 관련된 문제인 노드 분류에 커널 방법을 적용하는 것은 여전히 정의가 불명확하며, 최신 기법들도 휴리스틱에 크게 의존하고 있다. 본 연구에서는 그래프에서의 두 표현 학습 문제 간의 격차를 해소할 수 있는 새로운 이론적 기반의 커널 기반 노드 분류 프레임워크를 제안한다. 우리의 접근법은 그래프 커널 기법에 기반하지만, 그래프 내 구조적 정보를 포착하는 노드 표현을 학습할 수 있도록 확장된 것이다. 이론적으로 제안된 공식화가 임의의 양의 준정부호 커널과 동등한 표현력을 갖는다는 점을 입증하였다. 효율적인 커널 학습을 위해, 노드 특징 집계를 위한 새로운 메커니즘과 학습 단계에서 사용되는 데이터 기반 유사도 측도를 제안한다. 특히, 본 프레임워크는 그래프 기반 딥러닝 모델(예: 그래프 컨볼루션 네트워크, GCNs)과 유연하게 통합되며 보완적인 역할을 할 수 있다. 다양한 표준 노드 분류 벤치마크에서 실증적으로 제안한 방법을 평가한 결과, 본 모델이 새로운 최고 성능을 달성함을 보여주었다.