템플릿 기반 그래프 신경망과 최적 운송 거리

현재 그래프 신경망(GNN) 아키텍처는 일반적으로 두 가지 핵심 구성 요소에 의존한다: 메시지 전달을 통한 노드 특성 임베딩과 전용 형태의 풀링을 이용한 집계이다. 이러한 두 단계에서 그래프의 구조적(또는 위상적) 정보는 암묵적으로 반영된다. 본 연구에서는 그래프 표현의 중심에 학습 가능한 그래프 템플릿들로부터의 거리 정보를 두는 새로운 관점을 제안한다. 이 거리 임베딩은 최적 운송 거리인 '융합 그로모프-와서스타인(Fused Gromov-Wasserstein, FGW)' 거리에 의해 구축되며, 소프트 그래프 매칭 문제를 해결함으로써 특성과 구조 간의 이질성을 동시에 표현한다. 우리는 학습 가능한 템플릿 그래프 집합에 대한 FGW 거리 벡터가 강력한 구분 능력을 지닌다고 가정하며, 이를 비선형 분류기에 입력하여 최종 예측을 수행한다. 거리 임베딩은 새로운 레이어로 간주할 수 있으며, 기존의 메시지 전달 기법을 활용하여 의미 있는 특성 표현을 촉진할 수 있다. 흥미롭게도 본 연구에서는 최적의 템플릿 그래프 집합이 이 레이어를 통해 미분 가능하게 엔드투엔드 방식으로 학습된다. 제안된 학습 절차를 설명한 후, 여러 합성 및 실생활 그래프 분류 데이터셋을 대상으로 실험을 수행하여 본 연구의 주장이 검증되었으며, 기존의 커널 기반 및 GNN 최첨단 기법과 비교해 경쟁력 있거나 그들을 능가함을 확인하였다. 추가적으로, 아블레이션 스터디와 파라미터에 대한 민감도 분석을 수행하여 실험의 신뢰성을 보완하였다.