초록
본 연구에서는 관계 순서 히스토그램 기반의 그래프 임베딩 기법인 NERO(Network Embedding based on Relation Order histograms)를 제안한다. 제안된 방법의 성능은 여러 잘 알려진 분류 문제와 새로운 기준 데이터셋을 이용하여 평가되었으며, 이 데이터셋은 세부적인 람인아 혈관망을 다루고 있다. 제안된 알고리즘은 다른 커널 기반 방법보다 우수한 성능을 보이며, 많은 최신 GNN(Graph Neural Network)과 유사한 성능을 달성하면서도 GPU 지원이 필요 없으며 비교적 큰 크기의 입력 데이터를 처리할 수 있다. 또한, 생성된 표현이 기존 모델 해석 기법과 쉽게 결합되어 연구 대상 과정에서 각 엣지와 정점의 영향을 전반적으로 파악할 수 있음을 입증하였다.