초록
정적 부분그래프에서 노드 임베딩을 학습하기 위한 프레임워크인 NESS(Static Subgraphs에서의 노드 임베딩 학습)를 제안한다. 이는 전도적 설정(transductive setting)에서 그래프 오토인코더(GAE)를 사용한다. NESS는 두 가지 핵심 아이디어에 기반한다. 첫째, 데이터 사전 처리 과정에서 무작위 간선 분할(random edge split)을 활용하여 훈련 그래프를 간선이 겹치지 않는 여러 개의 정적이고 희소한 부분그래프로 분할하는 것이다. 둘째, 각 부분그래프에서 학습된 노드 표현을 집계하여 테스트 시점에서 그래프의 공동 표현(joint representation)을 얻는 것이다. 또한, 전도적 설정에서 사용 가능한 대조학습(contrastive learning) 접근법을 추가로 제안한다. 실험을 통해 NESS가 전체 그래프 또는 확률적 부분그래프를 사용하는 기존 오토인코딩 방법보다 링크 예측 작업에서 더 우수한 노드 표현을 제공함을 입증하였다. 추가로, 다양한 그래프 인코더의 성능을 향상시키며, 간선 동질성 비율(homophily ratio)이 강한 이질성에서 강한 동질성에 이르기까지 다양한 실제 데이터셋에서 링크 예측 작업에서 최고 수준의 성능을 달성하였다.