초록
그래프 표현 학습은 노드 속성과 구조적 정보를 모두 보존하는 보편적인 노드 표현을 학습하는 것을 목표로 합니다. 이로 인해 도출된 노드 표현은 노드 분류와 노드 클러스터링 등의 다양한 하위 작업에 활용될 수 있습니다. 그래프가 이질적이면, 이 문제는 동질적 그래프의 노드 학습 문제보다 더 어려워집니다. 본 논문에서는 최근 등장한 정보 이론 기반 학습 알고리즘에서 영감을 받아, 이질적 그래프 표현 학습을 위한 비지도 그래프 신경망인 Heterogeneous Deep Graph Infomax (HDGI)를 제안합니다. 우리는 메타-경로 구조를 사용하여 이질적 그래프 내의 의미 관련 연결성을 분석하고, 그래프 컨볼루션 모듈과 의미 수준 주의 메커니즘을 활용하여 로컬 표현을 포착합니다. 지역-전역 상호 정보를 최대화함으로써, HDGI는 하위 그래프 관련 작업에서 활용할 수 있는 고차원 노드 표현을 효과적으로 학습합니다. 실험 결과, HDGI는 분류 및 클러스터링 작업에서 최신 비지도 그래프 표현 학습 방법들을 크게 능가하는 것으로 나타났습니다. 학습된 표현을 로지스틱 회귀와 같은 매개변수 모델에 입력하면, HDGI는 최신 지도 종단 GNN 모델들과 비교하여 노드 분류 작업에서 유사한 성능을 달성할 수 있었습니다.