그래프 학습을 위한 Wasserstein 임베딩

우리는 그래프 학습을 위한 와세르슈타인 임베딩(Wasserstein Embedding for Graph Learning, WEGL)이라는 새로운 그리고 빠른 프레임워크를 제시합니다. 이 프레임워크는 전체 그래프를 벡터 공간에 임베딩하여, 다양한 머신러닝 모델이 그래프 수준의 예측 작업에 적용될 수 있도록 합니다. 우리는 그래프 간 유사성을 그들의 노드 임베딩 분포 사이의 유사성 함수로 정의하는 새로운 통찰력을 활용합니다. 구체적으로, 우리는 와세르슈타인 거리를 사용하여 서로 다른 그래프의 노드 임베딩 간의 불유사성을 측정합니다. 기존 연구와 달리, 우리는 그래프 간 거리의 쌍별 계산을 피하고, 그래프의 수에 대한 계산 복잡도를 이차에서 선형으로 줄입니다. WEGL은 참조 분포에서 각 노드 임베딩으로 몽주 맵(Monge maps)을 계산하고, 이러한 맵을 바탕으로 그래프의 고정된 크기 벡터 표현을 생성합니다. 우리는 다양한 벤치마크 그래프 속성 예측 작업에서 우리의 새로운 그래프 임베딩 접근법을 평가하여, 최고 수준의 분류 성능과 우수한 계산 효율성을 보여줍니다. 코드는 https://github.com/navid-naderi/WEGL에서 이용할 수 있습니다.