초록
초월 그래프(hypergraphs)에 대한 그래프 표현 학습은 다양한 실제 문제에서 매우 중요한 고차원 상호작용 간의 패턴을 추출하는 데 활용될 수 있다. 그러나 기존의 초월 그래프 전용 접근 방식들은 다양한 유형의 초월 그래프를 처리할 수 없으며, 일반적인 학습 작업에 적용하기 어렵다는 한계가 있다. 특히 크기가 변하는 이질적인 초월 간선(hyperedges)을 예측할 수 있는 모델은 기존에 존재하지 않았다. 본 연구에서는 크기가 변하는 동질적 및 이질적 초월 그래프 모두에 적용 가능한 새로운 자기 주의(self-attention) 기반 그래프 신경망인 Hyper-SAGNN을 개발하였다. 우리는 네 가지 벤치마크 네트워크 데이터셋과 유전체학 분야의 두 개의 단세포 Hi-C 데이터셋을 포함한 다양한 데이터셋에서 광범위한 평가를 수행하였다. 그 결과, 기존의 최첨단 방법들에 비해 전통적인 학습 과제에서 뚜렷한 성능 우위를 보였으며, 새로운 과제인 ‘이방인 식별(outsider identification)’에서도 뛰어난 성능을 달성함을 입증하였다. Hyper-SAGNN은 다양한 응용 분야에서 복잡한 고차원 상호작용을 탐색하는 그래프 표현 학습에 유용할 것으로 기대된다.