초록
현재 메시지 전달(Message Passing) 패러다임을 따르는 그래프 신경망(GNNs)이 그래프 데이터에서 학습하는 주류 방식이 되고 있다. 이 패러다임에 속하는 모델들은 인접 노드를 검색하기 위해 인접 행렬을 사용해야 하며, 인접 노드로부터 여러 메시지를 집계하는 데 추가적인 시간이 소요된다. 이러한 문제를 해결하기 위해 우리는 메시지 집계 과정 없이 연결된 노드 쌍에서 자기 지식(self-knowledge)을 추출하는 방법인 LinkDist를 개발하였다. 8개의 실-world 데이터셋을 대상으로 한 실험 결과, LinkDist로부터 도출된 다층 퍼셉트론(MLP)은 노드의 인접 정보를 알지 못해도, 반감독 및 전감독 노드 분류 환경에서 GNNs와 비교해 유사한 정확도를 달성함을 확인하였다. 더불어, LinkDist는 메시지 전달이 없는 패러다임을 기반으로 하므로, 대상 노드 쌍을 임의로 샘플링하여 대조적(contrastive) 방식으로 자기 지식을 추출함으로써 성능을 추가로 향상시킬 수 있다.