-
한전공대
-
한전공대
-
한전공대

l 그래프로
정보를 다루는 network science, social network analysis, graph mining
등의 연구분야는 그래프 정보의 다양성 및 양이 증가함에 따라 가장 중요한 기계학습 연구분야의 하나로 급속하게 부상하고 있음.
l 그래프 정보를
다루는 기법은 기존의 network science 기법에서 message
passing, node embedding 기법으로 발전하고 있으며 최근에서 graph Laplacian에
의거한 GNN (Graphical Neural Network)의 연구로 승화되고 있음.
l GNN은 homogeneous network의 특성인 homophily가 강한 그래프에서는 만족할 만한 성능을 제공하나 heterogeneous
그래프에서는 성능저하가 매우 심함.
l 본 연구에서는
heterogeneous graph의 성능을 향상시키고자 ego-node와
유사한 노드를 sub-graph 매칭을 활용하여 sampling하고
유사도가 떨어진 neighbor node는 pruning 하여
virtual graph를 구성하여 GNN을 적용시키는 획기적인
방법을 제안함.
l 제안한 방법은
SOTA baeline에 비해 30% 수준의 성능향상을 보이며
homogeneous graph에서도 상능저하가 없음.
l 재인한 방법은
여러 개의 논문으로 작성되어 AI 분야 top-tier
conference에 제출됐거나 출판 준비중임.