클러스터 가정에서 그래프 컨볼루션으로: 그래프 기반 반감독 학습의 재검토

그래프 기반 반감독 학습(GSSL)은 오랫동안 핫한 연구 주제로 여겨져 왔다. 기존의 방법들은 일반적으로 클러스터 가정(cluster assumption)에 기반한 얕은 학습자(Shallow Learners)였다. 최근에는 그래프 컨볼루션 네트워크(GCNs)가 뛰어난 성능을 보이며 주류 기법으로 부상하였다. 본 논문에서는 이러한 두 가지 유형의 방법들 간의 관계를 통합 최적화 프레임워크 내에서 이론적으로 탐구한다. 가장 흥미로운 발견 중 하나는, 기존의 방법들과 달리 전형적인 GCN은 각 레이어에서 그래프 구조와 레이블 정보를 함께 고려하지 않을 수 있다는 점이다. 이러한 관찰에 기반하여, 우리는 세 가지 간단하면서도 강력한 그래프 컨볼루션 방법을 제안한다. 첫 번째는 레이블 정보를 활용하여 그래프 컨볼루션 과정을 지도하는 지도 학습 방법인 OGC이다. 두 번째와 세 번째는 비지도 학습 방법으로, 각각 GGC와 그 다중 해상도 버전인 GGCM이며, 컨볼루션 과정에서 그래프 구조 정보를 유지하는 것을 목표로 한다. 마지막으로, 제안한 방법들의 효과를 입증하기 위해 광범위한 실험을 수행하였다.