초록
그래프 구조 데이터에서 링크 예측은 핵심 문제 중 하나이다. 그래프 신경망의 발전에 따라, 비지도 학습 방식으로 그래프 임베딩을 학습하기 위한 그래프 오토인코더(GAEs)와 변분 그래프 오토인코더(VGAEs)가 제안되었다. 이러한 방법들이 링크 예측 작업에서 효과적임이 입증된 바 있으나, 차수(도수)가 0인 노드(즉, 고립 노드)가 포함된 경우 성능이 저하되는 문제가 있다. 우리는 GAEs/VGAEs가 고립 노드의 콘텐츠 특징과 관계없이 해당 노드의 임베딩을 거의 0에 가깝게 만든다는 점을 발견하였다. 본 논문에서는 고립 노드에 대한 더 나은 임베딩을 도출하기 위해 L2 정규화를 활용하는 새로운 변분 그래프 정규화 오토인코더(VGNAE)를 제안한다. 제안한 VGNAE가 기존 최고 성능 모델들보다 링크 예측 작업에서 우수한 성능을 보임을 보여준다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/SeongJinAhn/VGNAE.