효율적인 서브그래프 기반 그래프 표현 학습을 위한 알고리즘과 시스템 공동 설계

서브그래프 기반 그래프 표현 학습(SGRL)은 전통적인 그래프 신경망(GNN)이 직면하는 몇 가지 근본적인 과제를 해결하기 위해 최근 제안된 기법으로, 링크 예측, 관계 예측, 모티프 예측과 같은 다양한 중요한 데이터 과학 응용 분야에서 우수한 성능을 보여주었다. 그러나 현재의 SGRL 접근법은 각 학습 또는 테스트 쿼리에 대해 서브그래프를 추출해야 하는 점에서 확장성 문제를 겪고 있다. 최근 제안된 전통적 GNN의 확장 기법들은 SGRL에 직접 적용되기 어려운 경우가 많다. 본 연구에서는 학습 알고리즘과 시스템 지원을 공동 설계함으로써 확장 가능한 SGRL을 위한 새로운 프레임워크 SUREL을 제안한다. SUREL은 서브그래프를 보행 기반으로 분해하고, 동일한 보행을 재사용하여 서브그래프를 구성함으로써 서브그래프 추출 과정의 중복을 크게 줄이며, 병렬 처리를 지원한다. 수백만 개의 노드와 엣지를 가진 6개의 동질적, 이질적, 고차원 그래프에 대한 실험 결과는 SUREL의 효과성과 확장성을 입증한다. 특히 기존 SGRL 기반 방법과 비교했을 때, SUREL은 예측 성능은 유사하거나 더 우수하면서도 10배의 속도 향상을 달성하였으며, 전통적 GNN과 비교했을 때 예측 정확도를 50% 향상시켰다.