[논문 리뷰] Deep Graph Similarity Learning: A Survey

Guixiang Ma, Nesreen K. Ahmed외 2명|arXiv (Cornell University)|2019. 12. 25.

Advanced Graph Neural Networks참고 문헌 134인용 수 12

한 줄 요약

이 종합 검토는 딥 그래프 유사도 학습에 대해 포괄적인 검토를 제공하며, 그래프 임bedding 기반, GNN 기반, 딥 그래프 커널 접근법으로 방법을 분류한다. 이는 그래프 내의 구조적 유사도 학습 기법을 체계적으로 분 析하고, 동적 그래프, 해석 가능성, 소수의 예제 학습에 대한 주요 과제를 부각하며, 그래프 구조 데이터에서 메트릭 학습을 발전시키기 위한 향후 연구 방향을 제시한다.

ABSTRACT

In many domains where data are represented as graphs, learning a similarity metric among graphs is considered a key problem, which can further facilitate various learning tasks, such as classification, clustering, and similarity search. Recently, there has been an increasing interest in deep graph similarity learning, where the key idea is to learn a deep learning model that maps input graphs to a target space such that the distance in the target space approximates the structural distance in the input space. Here, we provide a comprehensive review of the existing literature of deep graph similarity learning. We propose a systematic taxonomy for the methods and applications. Finally, we discuss the challenges and future directions for this problem.

연구 동기 및 목표

• 딥 그래프 유사도 학습 방법에 대한 체계적인 분류 체계를 제공하며, 그래프 임베딩 기반, GNN 기반, 딥 그래프 커널 접근법을 포함한다.
• 그래프 편집 거리와 최대 공통 부분그래프와 같은 전통적인 그래프 유사도 측정법의 한계를 분 析한다. 이는 NP-완전이며 대규모 그래프에 대해 계산적으로 비가능하다.
• 딥 그래프 유사도 학습의 핵심 과제를 특정한다. 이는 동적 및 스트리밍 그래프 처리, 모델의 설명 가능성 향상, 그래프 데이터에서의 소수의 예제 학습 지원을 포함한다.
• 아직 탐색이 부족한 연구 방향을 부각한다. 예를 들어, 시공간 그래프에서의 유사도 학습과 설명 가능한 GNN 기반의 유사도 모델이다.
• 신경과학, 화학정보학, 네트워크 분석 등 다양한 분야에서 그래프 구조 데이터에 대한 메트릭 학습의 열린 문제들을 제시함으로써 향후 연구를 이끌어낸다.

제안 방법

• 기존의 딥 그래프 유사도 학습 방법을 세 가지 주요 유형으로 분류한다: 그래프 임베딩 기반 모델, GNN 기반 모델, 딥 그래프 커널.
• GNN이 이웃 노드로부터 메시지를 집계하여 노드 표현을 학습하고, 유사도 계산을 위한 그래프 수준의 임베딩을 엔드 투 엔드로 학습하는 방식을 검토한다.
• 딥 그래프 커널이 학습 가능한 함수와 고전적 커널 방법을 조합하여 그래프 쌍 간의 유사도를 미분 가능하게 측정하는 방식을 분석한다.
• 특히 소규모 데이터 환경에서 유사도 함수를 쌍의 그래프에서 학습하기 위해 시아미즈 네트워크와 대비 학습 기법을 분석한다.
• GNN의 메시지 전달 메커니즘을 활용하여 그래프 표현에 구조적 정보와 특징 정보를 통합하는 방식을 검토한다.
• 향후 모델은 동적 그래프에서 시간에 따른 변화와 구조적 변화를 동시에 모델링하여 유사도 학습을 향상시켜야 한다고 제안한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 어떻게 복잡한 상호관계 패턴을 포착하면서도 그래프 간의 구조적 유사도를 효과적으로 학습할 수 있는가?
• RQ2 대규모 또는 동적 환경에서 그래프 편집 거리와 최대 공통 부분그래프와 같은 고전적 그래프 유사도 측정법의 핵심 한계는 무엇인가?
• RQ3 GNN 기반 모델은 시간이 지남에 따라 위상과 특징이 변화하는 동적 및 스트리밍 그래프 환경에서 어떻게 유사도 학습을 수행할 수 있는가?
• RQ4 GNN 기반 그래프 유사도 모델의 설명 가능성은 현재 어떤 과제를 안고 있으며, 설명 가능성 기법은 어떻게 유사도 예측에 확장될 수 있는가?
• RQ5 클래스당 몇 개의 그래프 예제만 있는 소수의 예제 학습 환경에서 일반화 가능한 딥 그래프 유사도 모델을 개발할 수 있는가?

주요 결과

• 그래프 편집 거리와 최대 공통 부분그래프와 같은 전통적인 그래프 유사도 측정법은 NP-완전이므로 대규모 그래프에 대해서는 계산적으로 비가능하다. 이는 이론적으로 타당하나 실용적이지 않다.
• GNN 기반 모델은 표현과 작업을 동시에 엔드 투 엔드로 학습함으로써 구조적 및 특징 수준의 유사도를 더 잘 포착하여 전통적인 그래프 임베딩 및 커널 방법보다 우수한 성능을 보인다.
• 딥 그래프 커널은 고전적 커널에 대한 미분 가능한 대안을 제공하며, 기울기 기반 최적화를 통해 유사도 학습에 활용할 수 있다.
• 신경과학 및 사회망 분석 분야에서의 수요 증가에도 불구하고, 시공간 및 동적 그래프에 대한 유사도 학습 연구에는 상당한 격차가 존재한다.
• GNN 기반의 유사도 모델의 설명 가능성은 거의 탐색되지 않은 분야이며, 기존의 설명 가능성 기법은 주로 분류 및 링크 예측과 같은 노드 수준 작업에 집중되어 있다.
• 소수의 예제 학습을 위한 그래프 유사도 학습은 아직 발전이 부족하지만, 최근의 3D 동작 인식 연구는 낮은 데이터 환경에서 그래프 매칭을 적응시키는 데 있어 희망을 보이고 있다.