초록
실제 세계의 사건들은 높은 수준의 상호의존성과 연결성을 보이며, 그 결과 생성되는 데이터 포인트 역시 이러한 연결 구조를 자연스럽게 계승한다. 그러나 기존의 대다수의 AI/ML 기법들은 데이터 포인트 간의 연결 관계를 무시하는 경향이 있다. 이러한 문제를 해결하고자 최근 그래프 기반 AI/ML 기법에 대한 관심이 급증하고 있다. 그래프 기반 학습 알고리즘은 데이터와 관련 정보를 효과적으로 활용함으로써 더 우수한 모델을 구축할 수 있다. 신경망 그래프 학습(Neural Graph Learning, NGL)은 전통적인 기계학습 알고리즘에 수정된 손실 함수를 도입하여 그래프 구조 내의 엣지(연결 관계)를 적극적으로 활용하는 기법 중 하나이다. 본 논문에서는 citation 그래프에 대한 노드 분류 작업을 해결하기 위해 NGL 기반의 모델인 NodeNet을 제안한다. 또한 제안한 모델의 수정 사항과 해당 수정이 작업에 미치는 의미를 논의하며, 최신 기술의 수준과의 비교를 통해 NodeNet의 우수한 성능이 나타나는 이유를 탐구한다.