대규모 그래프를 위한 데이터 증강으로서의 로버스트 최적화

데이터 증강은 학습 데이터셋을 확장함으로써 신경망의 일반화 성능을 향상시키는 데 기여하지만, 그래프 데이터를 효과적으로 증강하여 GNN(Graph Neural Networks)의 성능을 높이는 방법은 여전히 해결되지 않은 과제로 남아 있다. 기존의 대부분의 그래프 정규화 기법은 엣지 추가 또는 제거를 통해 그래프의 위상 구조를 조작하는 데 초점을 맞추고 있으나, 본 연구에서는 노드 특징을 증강함으로써 성능 향상을 도모하는 새로운 접근을 제안한다. 우리는 훈련 과정에서 기울기 기반의 적대적 편향을 반복적으로 적용하여 노드 특징을 증강하는 FLAG(Free Large-scale Adversarial Augmentation on Graphs)를 제안한다. 본 방법은 입력 데이터의 미세한 변동에 대해 모델이 불변(invariant)이 되도록 유도함으로써, 분포 밖(out-of-distribution) 샘플에 대한 일반화 능력을 향상시키고, 테스트 시 성능을 개선한다. FLAG는 노드 분류, 링크 예측, 그래프 분류 등 다양한 그래프 데이터 작업에 적용 가능한 일반적인 접근법이며, 다양한 GNN 백본과 대규모 데이터셋에서도 유연하고 확장 가능한 특성을 지닌다. 광범위한 실험과 아블레이션 스터디를 통해 본 방법의 효과성과 안정성을 입증하였으며, 추가로 본 방법의 작동 원리를 더 깊이 이해할 수 있도록 직관적인 관찰 결과도 제시한다.