그래프 이형상 UNet

그래프 임베딩 학습은 다양한 데이터셋을 다룰 때 핵심적인 과제이다. U-Net과 같은 인코더-디코더 아키텍처는 이미지 픽셀 단위 예측 작업에서 뛰어난 성과를 보여왔으나, 그래프 데이터에 유사한 방법을 적용하는 것은 그래프에 자연스러운 풀링 및 업샘플링 연산이 부족하기 때문에 도전 과제가 된다. 최근의 방법들은 신경망을 통해 구조적 정보를 학습 가능한 파라미터로 추출하고, 노드 특성과 그래프 구조 정보를 활용하여 풀링 및 언풀링을 그래프에 확장한다. 본 논문에서는 그래프 분류 작업을 위한 새로운 모델인 GIUNet(Graph Isomorphism U-Net)을 제안한다. 제안하는 그래프 U-Net 구조는 그래프 이형성 컨볼루션(Graph Isomorphism Convolution)을 기반으로 하며, 포괄적인 pqPooling 계층을 사용한다. 본 연구에서 제안하는 pqPooling 계층은 그래프 다운샘플링 단계에서 노드 특성과 그래프 구조 정보를 효과적으로 통합한다. 그래프 구조 정보를 포함시키기 위해 스펙트럴 표현과 노드 중심성 측정을 모두 활용한다. 노드 중심성 측정은 그래프 내 노드의 다양한 구조적 특성을 포착하며, 스펙트럴 표현은 그래프 구조의 정보성 있는 저주파 성분에 집중하는 데 도움을 준다. 실험적 분석을 통해 GIUNet 모델을 활용할 경우, 다양한 벤치마크 데이터셋에서 최신 기술 대비 상당한 성능 향상이 이루어짐을 입증하였다.