초록
그래프 커널은 기계학습과 그래프 형태로 표현된 데이터 간의 격차를 메우는 데 효과적인 도구이다. 대부분의 그래프 커널은 그래프를 일련의 패턴으로 분해하는 방식에 기반한다. 두 그래프 간의 유사도는 해당하는 패턴 간의 유사도로부터 도출된다. 선형 패턴에 기반한 커널은 정확도 성능과 계산 복잡도 사이에서 우수한 균형을 제공한다. 본 연구에서는 다양한 선형 패턴, 즉 워크(걷기)와 패스(경로)에 기반한 그래프 커널에 대한 체계적인 조사와 비교를 제안한다. 먼저, 이러한 커널들을 수학적 기반, 패턴 구조, 계산 복잡도 측면에서 심층적으로 탐구한다. 이후, 라벨이 있는 및 없는 그래프, 정점 수가 다른 그래프, 평균 정점 차수에 차이가 있는 그래프, 순환 그래프 및 비순환 그래프를 포함한 다양한 유형의 그래프를 포함하는 여러 벤치마크 데이터셋에서 실험을 수행한다. 마지막으로, 회귀 및 분류 작업을 대상으로 커널의 성능과 계산 복잡도를 비교·분석하고, 그래프 데이터셋의 유형에 따라 적절한 커널을 선택하기 위한 제안을 제시한다. 본 연구는 이러한 커널들의 강점과 약점을 명확히 비교함으로써 기여한다. 또한, 논의된 모든 커널을 구현한 오픈소스 파이썬 라이브러리가 GitHub에 공개되어 있으며, 연구자 및 개발자 커뮤니티가 그래프 커널을 기계학습 문제에 보다 쉽게 활용할 수 있도록 지원한다.