스케일링 가능한 링크 예측을 위한 하위그래프 표현 학습의 단순화

그래프에서의 링크 예측은 핵심적인 문제이다. 하위그래프 표현 학습 방법(SGRL, Subgraph Representation Learning)은 링크 주변의 하위그래프에 대해 그래프 분류 문제로 링크 예측을 변환함으로써, 링크 예측 분야에서 최고 수준의 성능을 달성하였다. 그러나 SGRL은 하위그래프 수준의 연산이 비용이 크기 때문에 계산적으로 비효율적이며, 대규모 그래프에 대해서는 확장성이 떨어진다. SGRL의 확장성을 해제하기 위해, 우리는 새로운 SGRL의 종류를 제안하며, 이를 '확장 가능한 단순화된 SGRL(S3GRL, Scalable Simplified SGRL)'이라 명명한다. S3GRL은 훈련 및 추론 속도를 향상시키는 것을 목표로 하며, 각 링크의 하위그래프 내에서 메시지 전달 및 집계 연산을 단순화한다. S3GRL은 확장성 프레임워크로서 다양한 하위그래프 샘플링 전략과 확산 연산자( diffusion operators)를 수용하여 계산 비용이 큰 기존 SGRL의 성능을 모방할 수 있다. 우리는 S3GRL의 여러 구현 사례를 제안하고, 소규모부터 대규모 그래프에 이르기까지 실험적으로 평가하였다. 광범위한 실험 결과에 따르면, 제안된 S3GRL 모델들은 성능의 큰 훼손 없이 SGRL을 확장 가능하게 하며, 일부 경우에서는 성능 향상까지 기록할 수 있다. 동시에, 계산 자원 소모는 크게 감소하여, 추론 및 훈련 속도에서 다수 배의 성능 향상이 가능함을 입증하였다.