초록
그래프 대조 학습(Graph Contrastive Learning, GCL)을 위한 무작위적 위상 증강기(randomized topological augmentor)를 제안한다. 이 기법은 그래프 라플라시안 행렬을 입력으로 받아, 그 슈어 보완(Schur complement)의 편향 없는 근사값을 생성하며, 해당 보완에 대응하는 그래프를 증강된 시각(view)으로 간주한다. 제안된 접근법의 장점에 대해 논의하고 이론적 근거를 제시하며, 그래프 확산(graph diffusion)과의 관계를 탐색한다. 기존 연구들과 달리, 인코딩 및 대조 과정 등 후속 GCL 단계에서의 설계 선택을 체계적으로 변화시켜 증강기의 실증적 효과를 조건부로 평가한다. 노드 분류 및 그래프 분류 벤치마크에서 실시한 광범위한 실험을 통해 제안한 기법이 사전 정의된 및 적응형 증강 기법을 일관되게 능가하며 최신 기술 수준(state-of-the-art)의 성능을 달성함을 확인하였다.