그래프에서 반감독 노드 분류를 위한 차이를 고려한 참조로부터의 추론

그래프 데이터에 딥러닝을 적용한 이후 최근 몇 년간 그래프 신경망(GNNs)은 그래프 내 노드 분류 작업에서 주류 방법으로 자리 잡았다. 대부분의 GNNs는 노드에 사전 정의된 레이블을 할당하기 위해 딥러닝의 엔드투엔드 방식을 계승한다. 즉, 노드 특징을 모델에 입력하고, 사전에 분류된 노드의 레이블을 활용해 지도 학습을 수행한다. 그러나 이러한 방법들은 노드 특징과 그 상호관계를 효과적으로 활용할 수는 있지만, 레이블 자체는 별도로 다루며 레이블 간의 구조적 정보를 간과한다. 레이블의 구조적 정보를 활용하기 위해 본 논문은 '3ference'라는 새로운 방법을 제안한다. 3ference는 차이를 갖는 참조(Reference)로부터 추론하는 방식으로, 특정 노드의 특징과 그와 관련된 노드들의 특징 및 레이블을 결합하여 해당 노드의 레이블을 예측한다. 관련 노드들의 레이블 정보를 추가로 고려함으로써, 3ference는 노드 간 레이블의 전이 패턴을 포착할 수 있었으며, 이후의 분석과 시각화를 통해 이를 확인할 수 있었다. 합성 그래프와 7개의 실제 그래프에 대한 실험 결과, 기존 GNNs에 비해 더 적은 파라미터 수, 더 적은 사전 분류된 노드 수, 그리고 다양한 레이블 패턴에서도 3ference가 더 정확한 예측 성능을 보였으며, 이는 레이블 간의 상관관계에 대한 지식이 효과적으로 활용되었음을 시사한다.