초록
그래프의 분포를 학습하는 것은 자동 약물 발견, 분자 설계, 복잡한 네트워크 분석 등 다양한 분야에 활용될 수 있습니다. 본 연구에서는 깊이 있는 상태 기계(Deep State Machine) 개념을 기반으로 한 그래프 생성 모델 학습을 위한 개선된 프레임워크를 제안합니다. 상태 전이 결정을 학습하기 위해 그래프 및 노드 임베딩 기법들을 상태 기계의 기억장치로 활용합니다.분석은 무작위 그래프 생성기의 분포를 학습하는 데 기반하며, 어떤 특성이 학습 가능한지, 그리고 원래 그래프 분포가 얼마나 잘 재현되는지를 판단하기 위해 통계적 검정을 제공합니다. 우리는 상태 기계의 설계가 특정 분포를 선호함을 보여주며, 최대 150개의 정점까지를 가진 그래프 모델을 성공적으로 학습하였습니다. 코드 및 모델 파라미터는 결과를 재현할 수 있도록 공개되어 있습니다.