이중 수준의 하이퍼그래프 대조 학습 및 적응형 온도 향상

그래프 대조 학습의 성공 사례에 영감을 받아, 연구자들은 하이퍼그래프 위에서의 대조 학습의 이점을 탐구하기 시작했다. 그러나 이러한 기존 연구들은 레이블이 없는 데이터에서 고차원 관계를 모델링하는 데 다음과 같은 한계를 가지고 있다: (i) 개별 노드 임베딩 간의 일치를 극대화하는 데 주로 초점을 맞추며, 하이퍼그래프 내에서 그룹 단위의 집단적 행동을 포착하는 것을 간과하고 있다; (ii) 대조 학습 최적화 과정에서 대조 쌍을 구분하는 데 있어 온도 지수(temperature index)의 중요성을 대부분 간과하고 있다. 이러한 한계를 해결하기 위해, 우리는 적응형 온도(Adaptive Temperature)를 갖춘 이중 레벨 하이퍼그래프 대조 학습 프레임워크(HyGCL-AdT)를 제안한다. 구체적으로, 대부분의 기존 연구들이 하이퍼그래프 내 노드 임베딩 간의 일치를 단순히 극대화하는 데 그치는 것과 달리, 본 연구는 지역적 맥락에서 개별 노드의 행동을 포착할 뿐만 아니라, 커뮤니티 관점에서 하이퍼엣지 내 노드들의 그룹 단위 집단적 행동을 모델링하는 이중 레벨 대조 메커니즘을 제안한다. 또한, 대조 쌍 간의 구분 능력을 향상시키기 위해 적응형 온도를 도입한 대조 최적화 기법을 설계하였다. 7개의 벤치마크 하이퍼그래프를 대상으로 수행한 실험 결과, HyGCL-AdT는 최신 기준 모델들에 비해 뛰어난 성능을 보였다. 소스 코드는 https://github.com/graphprojects/HyGCL-AdT 에서 공개되어 있다.