초록
지금까지 그래프 표현 학습은 그래프 구조 데이터를 분석하는 데 핵심적인 역할을 해왔다. 최근 대조적 방법론의 성공을 영감으로 삼아, 본 논문에서는 노드 수준에서 대조적 목적 함수를 활용하여 비지도 그래프 표현 학습을 위한 새로운 프레임워크를 제안한다. 구체적으로, 그래프를 왜곡하여 두 가지 그래프 시각화(뷰)를 생성하고, 이러한 두 시각화에서 노드 표현 간의 일치성을 최대화함으로써 노드 표현을 학습한다. 대조적 목적 함수를 위한 다양한 노드 맥락을 제공하기 위해, 구조적 및 특성적 수준에서 모두 그래프 시각화를 생성하는 하이브리드 기법을 제안한다. 또한, 상호정보량(mutual information)과 고전적인 트리플릿 손실(triplet loss)이라는 두 가지 관점에서 제안한 동기의 이론적 근거를 제시한다. 다양한 실제 데이터셋을 사용하여 전이학습(Transductive) 및 유도학습(Inductive) 태스크에 대한 실험을 수행한 결과, 단순한 구조임에도 불구하고 기존 최고 수준의 방법들을 크게 앞서는 성능을 보였다. 특히, 비지도 학습 방법이 전이학습 태스크에서 지도학습 대비 방법을 뛰어넘는 결과를 보이며, 실제 응용 분야에서 큰 잠재력을 입증하였다.