GNN은 링크 히우리스틱을 학습할 수 있는가? 링크 예측 방법에 대한 간략한 리뷰 및 평가

이 논문은 그래프 신경망(GNNs)이 링크 예측을 위한 다양한 형태의 정보를 학습하는 능력에 대해 탐구하며, 기존의 링크 예측 방법에 대한 간략한 리뷰를 제공한다. 우리의 분석 결과, GNNs는 이웃 집합 집약 방식의 세트 기반 풀링의 특성상, 두 노드 간의 공통 이웃 수와 관련된 구조적 정보를 효과적으로 학습하지 못한다는 점이 밝혀졌다. 또한 광범위한 실험을 통해 가중치 학습이 가능한 노드 임베딩이 GNN 기반 링크 예측 모델의 성능을 향상시킬 수 있음을 확인하였다. 특히 그래프가 더욱 밀도가 높을수록 이러한 성능 향상이 더욱 두드러진다는 점을 관찰하였다. 이는 노드 임베딩의 특성과 관련이 있으며, 각 링크 샘플의 링크 상태가 해당 링크에 포함된 두 노드의 이웃 집약 과정에 참여하는 노드들의 임베딩에 인코딩될 수 있기 때문이다. 밀도가 높은 그래프에서는 각 노드가 다른 노드들의 이웃 집약 과정에 더 많은 기회를 가지며, 더 많은 링크 샘플의 상태를 자신의 임베딩에 포함시킬 수 있어, 링크 예측을 위한 보다 우수한 노드 임베딩을 학습할 수 있게 된다. 마지막으로, 본 연구를 통해 도출된 통찰은 기존 링크 예측 방법의 한계를 식별하는 데 중요한 시사점을 제공하며, 향후 더 강력한 알고리즘의 개발을 이끄는 데 기여할 수 있을 것으로 기대된다.