그래프 신경망을 활용한 효율적인 상대적 속성 학습

시각적 특성의 강도에 대한 연속체를 따라 이미지 쌍 간의 상대적 관계를 설정하는 데 관한 상당한 연구들이, 다양한 비전 작업에서 상당한 성능 향상을 가져온다는 강력한 증거를 제공해 왔다. 본 논문에서는 그래프 신경망(GNN) 분야에서 등장한 새로운 아이디어들이 상대적 특성 학습이라는 광범위한 문제들에 대해 통합적인 해결책을 제공할 수 있음을 보여준다. 우리의 주요 아이디어는, 이미지의 다양한 상대적 특성들 간의 의존성 구조를 그래프 형태로 활용하면 상대적 특성 학습이 자연스럽게 이익을 얻을 수 있다는 점이다. 특히 학습 데이터에서 상대적 특성의 부분 순서(partial ordering)만 제공되는 경우, 이러한 그래프 구조의 활용은 더욱 효과적이다. 우리는 확률적 그래프 모델에서 메시지 전달(message passing) 기법을 사용하여 이미지의 표현, 이미지 간의 관계, 그리고 서로 다른 특성 간의 상호작용을 종합적으로(end-to-end) 학습함으로써 제공된 레이블과 가장 잘 일치하는 표현을 도출한다. 실험 결과, 본 연구에서 제안하는 간단한 GNN 기반 엔드 투 엔드 학습 프레임워크는 상대적 특성 학습과 이진 특성 예측 모두에서 전문화된 기법과 경쟁 가능한 정확도를 달성함과 동시에, 학습 데이터의 요구 조건과/또는 모델 파라미터 수량을 크게 완화함을 입증하였다.