CIN++: 위상적 메시지 전달 향상

그래프 신경망(GNNs)은 그래프 구조 데이터로부터 학습하는 데 놀라운 성공을 거두었으나, 표현력 측면에서 중요한 한계를 지니고 있다. 특히 장거리 상호작용을 다루는 데 어려움을 겪으며, 고차원 구조와 그룹 간 상호작용을 체계적으로 모델링할 수 있는 원리적 접근법이 부족하다. 최근 셀러스 이소모르피즘 네트워크(CINs)는 셀 복합체(cell complexes) 기반의 메시지 전달 방식을 통해 이러한 대부분의 문제를 해결했다. 그러나 CINs는 경계 메시지와 상위 메시지만을 활용하여, 기저 복합체 내에 존재하는 고리(rings) 간의 직접적인 상호작용을 고려하지 않는다. 이러한 상호작용을 반영하는 것은 초분자 집합체의 역학, 뇌 내 신경 활동, 유전자 조절 과정과 같은 실제 세계의 복잡한 현상의 표현을 학습하는 데 있어 매우 중요한 요소일 수 있다. 본 연구에서는 CINs에서 제안된 위상적 메시지 전달 방식을 개선한 CIN++을 제안한다. 제안하는 메시지 전달 방식은 각 레이어 내에서 셀이 하위 메시지도 수신할 수 있도록 함으로써, 앞서 언급한 한계를 극복한다. 이를 통해 고차원적이고 장거리 상호작용을 보다 포괄적으로 표현할 수 있게 되었으며, 대규모 및 장거리 화학 기준 벤치마크에서 최신 기술 수준(SOTA)의 성능을 달성하였다.