GraphRARE: 상대 엔트로피를 통한 강화 학습 기반 그래프 신경망

그래프 신경망(GNNs)은 그래프 기반 분석 과제에서 우수한 성능을 보여주고 있다. 그러나 기존 대부분의 방법은 동질성 가정(homogeneity assumption)을 전제로 하며, 연결된 노드들이 특징과 클래스 레이블이 서로 다를 수 있고, 의미적으로 관련된 노드들이 다수의 홉을 거쳐 분리되어 있는 이질적 그래프(heterophilic graphs)에서는 성능이 저조하다. 이 제약을 극복하기 위해 본 논문은 노드 상대 엔트로피(node relative entropy)와 심층 강화 학습(deep reinforcement learning)을 기반으로 한 일반적인 프레임워크인 GraphRARE를 제안한다. 이 프레임워크는 노드 특징과 구조적 유사성을 고려한 혁신적인 노드 상대 엔트로피를 도입하여 노드 쌍 간의 상호 정보량(mutual information)을 측정한다. 또한, 원거리 노드로부터 유용한 정보와 노이즈가 혼합되어 최적해에 도달하지 못하는 문제를 방지하기 위해, 정의된 노드 상대 엔트로피를 기반으로 정보가 풍부한 노드를 선택하고 노이즈 노드를 제거하는 심층 강화 학습 기반 알고리즘을 개발하였다. 제안된 방법은 7개의 실-world 데이터셋을 대상으로 광범위한 실험을 수행하였으며, 실험 결과 GraphRARE가 노드 분류 성능에서 우수함을 입증하였고, 원래 그래프의 구조를 최적화할 수 있는 능력을 보였다.