노드 및 그래프 분류를 위한 Mixup

Mixup는 신경망 기반 이미지 분류기 학습을 위한 고급 데이터 증강 기법으로, 두 개의 이미지에 대한 특징과 레이블을 선형 보간하여 합성 샘플을 생성한다. 그러나 그래프 데이터의 비정형성과 연결 구조로 인해 그래프 학습을 위한 Mixup 기법을 설계하는 것은 도전적인 과제이다. 본 연구에서는 그래프 학습의 두 가지 핵심 과제인 노드 분류 및 그래프 분류를 위한 Mixup 기법을 제안한다. 비정형적인 그래프 구조를 보간하기 위해, 쌍으로 이루어진 노드들의 수용 영역 하위 그래프(receptive field subgraphs)를 혼합하기 위한 이중 브랜치 그래프 컨볼루션을 제안한다. 서로 다른 노드 쌍에 대한 Mixup는 노드 간 연결성으로 인해 서로 다른 혼합된 특징 간에 간섭을 일으킬 수 있다. 이러한 간섭을 차단하기 위해, 그래프 컨볼루션에 사용하기 전에 각 노드의 이웃 노드 표현을 활용하는 이중 단계(Mixup) 프레임워크를 제안한다. 그래프 분류 과제에서는 의미 공간 내에서 복잡하고 다양한 그래프 구조를 보간한다. 정성적 분석 결과, 제안한 Mixup 기법은 GNN이 더 구분력 있는 특징을 학습하고 과적합을 줄이는 데 기여함을 보여준다. 정량적 실험 결과에서도, 표준 데이터셋에서 노드 분류 및 그래프 분류 모두에서 테스트 정확도와 F1-micro 점수 측면에서 일관된 성능 향상이 나타났다. 종합적으로 본 연구의 방법은 시간 복잡도를 증가시키지 않으면서도 기존의 인기 있는 그래프 신경망(GNN)의 일반화 성능을 효과적으로 개선하는 정규화 기법으로 기능한다.