초록
전통적인 지도 학습 접근법은 입력 특징에서 출력 레이블로의 사상에 초점을 맞추고 있다. 학습이 완료된 후, 학습된 모델은 테스트 특징에 대해 독립적으로 테스트 레이블을 예측하기 위해 단지 자체적으로 적용되며, 학습 데이터는 활용되지 않고 그 상관관계 또한 무시된다. 방대한 양의 학습 데이터와 그 상관관계를 최대한 활용하기 위해, 우리는 새로운 학습 프레임워크인 메모리 연관 미분(Memory-Associated Differential, MAD) 학습을 제안한다. 먼저, 모든 학습 데이터를 기억하는 추가적인 구성 요소인 '메모리'를 도입한다. 그 후, 미분 방정식과 일부 샘플링 방법을 결합하여 레이블의 차이 및 특징 간의 상관관계를 학습한다. 마지막으로 평가 단계에서는, 기록된 사실과 학습된 차이 및 상관관계를 기하학적으로 의미 있는 방식으로 추론함으로써 미지의 레이블을 예측한다. 본 연구는 우선 단일 변수 상황에서 이 이론을 부드럽게 구축하고 이미지 인식에 적용한 후, 이진 상황인 링크 예측으로 확장한다. 그 결과, ogbl-ddi 데이터셋에서 강력한 최첨단 기준 모델들을 초월하는 성능을 달성하였다.