Neural Bellman-Ford Networks: 일반적인 그래프 신경망 프레임워크로서의 링크 예측

링크 예측은 그래프에서 매우 기본적인 작업입니다. 전통적인 경로 기반 방법에 영감을 받아, 본 논문에서는 링크 예측을 위한 일반적이고 유연한 경로 기반 표현 학습 프레임워크를 제안합니다. 구체적으로, 노드 쌍의 표현을 모든 경로 표현의 일반화된 합으로 정의하며, 각 경로 표현은 해당 경로 내의 엣지 표현들의 일반화된 곱으로 정의됩니다. 최단 경로 문제를 해결하기 위한 벨만-포드 알고리즘에서 영감을 얻어, 제안된 경로 공식이 일반화된 벨만-포드 알고리즘을 통해 효율적으로 해결될 수 있음을 보여줍니다. 경로 공식의 성능을 더욱 향상시키기 위해, 우리는 Neural Bellman-Ford Network (NBFNet)을 제안합니다. NBFNet은 학습된 연산자를 사용하여 일반화된 벨만-포드 알고리즘의 경로 공식을 해결하는 일반적인 그래프 신경망 프레임워크입니다. NBFNet은 3개의 신경망 구성 요소, 즉 INDICATOR, MESSAGE 및 AGGREGATE 함수를 사용하여 일반화된 벨만-포드 알고리즘을 매개변수화하며, 이는 각각 경계 조건, 곱셈 연산자 및 덧셈 연산자에 해당합니다. NBFNet은 매우 일반적이며, 많은 전통적인 경로 기반 방법들을 포함하고 있으며, 동질 그래프와 다중 관계 그래프(예: 지식 그래프) 모두에 적용할 수 있습니다. 또한 전사적(transductive) 설정과 귀납적(inductive) 설정 모두에서 사용 가능합니다. 동질 그래프와 지식 그래프에서 수행한 실험 결과, 제안된 NBFNet이 전사적 및 귀납적 설정 모두에서 기존 방법들보다 크게 우수한 성능을 보였으며, 새로운 최고 수준의 결과(state-of-the-art results)를 달성했습니다.