이종 그래프상의 비유클리디안 데이터 분석을 위한 쌍곡 그래프 변형 인공 신경망

• Published in: Chŏngbo Kwahakhoe nonmunji pp. 217 - 225
• Main Authors: 이승훈, 박현진, 김현우
• Format: Journal Article
• Language: Korean
• Published: 한국정보과학회 01.02.2021
• Subjects: 컴퓨터학
• ISSN: 2383-630X; 2383-6296
• DOI: 10.5626/JOK.2021.48.2.217

합성곱 기반인 합성곱 인공 신경망(CNNs)은 이미지 분류, 이미지 생성, 시계열 분석 등에 다양하게 쓰이고 있다. 하지만 일반적인 유클리디안 공간과는 달리 그래프와 같은 비유클리디안 공간에서는 합성곱을 바로 적용할 수 없다. 이를 극복하기 위해 다양한 기법으로 합성곱을 그래프 상으로 확장하였으며, 다양한 그래프 인공 신경망(GNNs)이 제안되어 왔다. 하지만 기존의 그래프 인공 신경망 연구는 간선의 타입이 하나인 동종 그래프 분석에 국한되어 있는데 반해, 현실의 데이터는 간선의 타입이 많은 이종 그래프 데이터인 경우가 많기 때문에 이를 기존의 그래프 인공 신경망으로 해결하려 하면 큰 왜곡이 생기게 된다. 본 연구는 계층적 구조를 가진 이종 그래프 데이터를 효과적으로 다루기 위하여 그래프 변형 네트워크(GTNs) 모델과 쌍곡 그래프 합성곱 네트워크(HGCNs) 모델을 통합하여 새로운 모델인 쌍곡 그래프 변형 네트워크(HGTNs)를 제안한다. Convolution Neural Networks (CNNs), which are based on convolution operations, are used for various tasks in image classification, image generation, time series analysis, etc. Since the convolution operations are not directly applicable to non-Euclidean spaces such as graphs and manifolds, a variety of Graph Neural Networks (GNNs) have extended convolutional neural networks to homogeneous graphs, which has a single type of edges and nodes. However, in real-world applications, heterogeneous and hierarchical graph data often occur. To expand the operating range of GNNs to the graphs that have multiple types of nodes and edges with the hierarchy, herein, we propose a new model that integrates Hyperbolic Graph Convolution Networks (HGCNs) and Graph Transformer Networks (GTNs). KCI Citation Count: 0