UniG-Encoder: 그래프 및 하이퍼그래프 노드 분류를 위한 유니버설 특징 인코더

그래프 및 하이퍼그래프 표현 학습은 다양한 연구 분야에서 점점 더 많은 주목을 받고 있다. 그래프 신경망(GNNs), 하이퍼그래프 신경망(HGNNs), 그리고 그들의 잘 설계된 변형들이 일반적으로 사용되는 벤치마크 그래프 및 하이퍼그래프에서 우수한 성능과 풍부한 응용 사례를 보여주고 있음에도 불구하고, 일부 경우에서는 단순한 다층 퍼셉트론(Multi-Layer Perceptron)조차도 이들을 능가하는 것으로 나타났다. 이러한 관찰은 현재 GNNs 및 HGNNs의 설계 패러다임을 재검토할 필요성을 제기하며, 그래프 특징을 효과적으로 추출하는 데 있어 중요한 과제를 제시한다. 본 연구에서는 그래프 및 하이퍼그래프 표현 학습을 위한 통합적인 특징 인코더를 설계하였으며, 이를 UniG-Encoder라고 명명하였다. 이 아키텍처는 연결된 노드들의 위상적 관계를 정규화된 투영 행렬을 통해 엣지 또는 하이퍼엣지 특징으로 전환하는 전방 변환으로 시작한다. 생성된 엣지/하이퍼엣지 특징과 원본 노드 특징은 신경망에 동시에 입력된다. 이후 신경망의 출력에 대해 투영 행렬의 전치를 이용한 역방향 변환을 수행함으로써 노드 임베딩을 추출하며, 이는 노드 분류와 같은 다양한 작업에 활용될 수 있다. 제안된 아키텍처는 기존의 스펙트럼 기반 및/또는 메시지 전달 기반 접근 방식과 달리, 효율적이고 통합적인 방식으로 노드 특징과 그래프/하이퍼그래프 위상 구조를 동시에 종합적으로 활용하며, 이질적(heterophilic) 및 동질적(homophilic) 그래프 모두를 포괄한다. 설계된 투영 행렬은 그래프 특징을 인코딩하는 면에서 직관적이며 해석 가능하다. 광범위한 실험을 수행한 결과, 제안된 프레임워크는 12개의 대표적인 하이퍼그래프 데이터셋과 6개의 실세계 그래프 데이터셋에서 최신 기술(SOTA) 방법들에 비해 뛰어난 성능을 입증하였다. 본 연구의 구현 코드는 https://github.com/MinhZou/UniG-Encoder 에서 공개되어 있다.