강화된 이웃 선택을 통한 다중 관계 그래프 신경망

그래프 신경망(GNNs)은 다양한 구조적 그래프 데이터의 표현 학습에 널리 활용되고 있다. 비록 전망이 밝지만, 기존 대부분의 GNN은 그래프 내 엣지의 복잡성과 다양성을 과도하게 단순화하여, 일반적으로 다중 관계형 그래프 형태를 띠는 편향된 그래프에 효율적으로 대응하지 못하는 한계를 지닌다. 본 논문에서는 신경망 구조의 복잡성을 효과적으로 탐색하면서도 관계에 따라 달라지는 표현을 유지할 수 있도록, 새로운 강화된(Reinforced), 재귀적(recursive), 유연한 이웃 선택을 지도하는 다중 관계형 그래프 신경망 아키텍처인 RioGNN을 제안한다. 먼저 실제 작업에 맞춰 다중 관계형 그래프를 구성함으로써 노드, 엣지, 속성 및 레이블의 편향성을 반영한다. 서로 다른 종류의 노드 간 임베딩의 과도한 융합을 방지하기 위해, 노드 속성을 기반으로 레이블 인지(neural similarity measure) 기반의 유사성 측정을 활용하여 가장 유사한 이웃을 식별한다. 이후, 특정 관계 내에서 타겟 노드의 가장 유사한 이웃을 선택하는 강화된 관계 인지 이웃 선택 메커니즘을 도입하여, 다양한 관계로부터 수집된 이웃 정보를 통합하여 최종 노드 임베딩을 생성한다. 특히, 이웃 선택의 효율성을 높이기 위해, 다양한 규모의 다중 관계형 그래프에 적응 가능한 깊이와 폭을 추정 가능한 새로운 재귀적이고 확장 가능한 강화 학습 프레임워크를 제안한다. RioGNN은 필터링 임계값 메커니즘을 통해 각 관계의 개별적 중요성을 인식함으로써, 더 구분력 있는 노드 임베딩을 학습할 수 있으며, 해석 가능성 또한 향상된다. 실제 그래프 데이터와 실용적 작업에 대한 종합적인 실험 결과는, 다른 비교 대상 GNN 모델들과 비교하여 효과성, 효율성 및 모델의 해석 가능성 측면에서 본 모델의 우수성을 입증한다.