[논문 리뷰] Geometric Scattering for Graph Data Analysis

Feng Gao, Guy Wolf외 1명|arXiv (Cornell University)|2018. 10. 07.

Advanced Graph Neural Networks참고 문헌 46인용 수 6

한 줄 요약

이 논문은 그래프 데이터 분석을 위한 기하학적 산란을 소개하며, 유클리드 산란 변환을 그래프로 일반화한다. 파형 변환과 비선형 모듈러스 연산을 사용하여 안정적이고 정보가 풍부한 특징을 추출한다. 이러한 특징은 단순한 모델을 사용하여 작은 데이터셋에서도 높은 정확도의 그래프 분류를 가능하게 하며, 분자의 구조적 관계를 포괄함으로써 의미 있는 데이터 탐색을 지원한다.

ABSTRACT

We explore the generalization of scattering transforms from traditional (e.g., image or audio) signals to graph data, analogous to the generalization of ConvNets in geometric deep learning, and the utility of extracted graph features in graph data analysis. In particular, we focus on the capacity of these features to retain informative variability and relations in the data (e.g., between individual graphs, or in aggregate), while relating our construction to previous theoretical results that establish the stability of similar transforms to families of graph deformations. We demonstrate the application the our geometric scattering features in graph classification of social network data, and in data exploration of biochemistry data.

연구 동기 및 목표

• 유럽형 산란 변환을 그래프 구조 데이터로 일반화하여 보편적인 특징 추출을 목적으로 한다.
• 기하학적 산란 특징이 변형에 불변성을 갖는 설계를 하더라도 실용적인 그래프 데이터 분석에 필요한 정보를 충분히 유지하는지 평가한다.
• 실세계 데이터셋에서 그래프 분류와 탐색적 데이터 분석에 기하학적 산란 특징의 유용성을 평가한다.
• 산란 특징이 분자의 그래프에서 효소 계열 간의 생물학적으로 의미 있는 관계를 포착할 수 있는지 조사한다.

제안 방법

• 기하학적 산란 변환은 그래프 웨이블릿 변환과 비선형 복소수 모듈러스 연산의 연쇄 구조로 구성된다.
• 그래프 웨이블릿은 그래프 라플라시안과 그 스펙트럼 분해를 사용하여 다중 척도의 구조적 정보를 포착한다.
• 이 변환은 연속적인 웨이블릿 필터링과 모듈러스 연산을 적용하여 계층적이고 불변적인 특징을 생성한다.
• 특징 표현은 산란 계수에서 유도되며, 이는 소규모 그래프 변형에 대해 불변하고 소음에 대해 안정적이다.
• 후속 분석을 위해 주로 PCA와 RBF 커널 SVM과 같은 선형 방법을 산란 특징에 적용한다.
• 근접 부분공간 분석을 사용하여 산란 특징 공간에서의 투영 거리에 기반해 효소 계열 간의 관계를 추론한다.

실험 결과

연구 질문

• RQ1 기하학적 산란 특징은 그래프 구조 데이터에 대해 효과적이고 작업에 종속되지 않는 표현으로서 기능할 수 있는가?
• RQ2 기하학적 산란 특징은 그래프 내 정보가 풍부한 변동성과 구조적 관계를 얼마나 잘 유지하는가?
• RQ3 산란 특징은 얼마나 적은 학습 데이터로도 고정확도의 그래프 분류를 지원할 수 있는가?
• RQ4 산란 특징은 분자의 그래프에서 효소 계열 간의 생물학적으로 의미 있는 관계를 드러낼 수 있는가?

주요 결과

• 사회 네트워크 데이터에서, 기하학적 산란 특징은 RBF 커널 SVM을 사용하여 기존의 최고 수준의 그래프 커널 및 기하학적 딥러닝 방법과 경쟁하거나 승리하였다.
• 기하학적 산란 기반의 SVM은 기존 그래프 분류 작업에서 일반적으로 사용되는 것보다 훨씬 적은 수의 그래프로 학습하더라도 정확도가 크게 떨어지지 않았다.
• 생화학 데이터(예: ENZYMES)에서 산란 특징은 분류에 유의미한 정보를 유지하면서도 상당한 차원 축소를 가능하게 하였다.
• 산란 특징은 효소 계열 간의 의미 있는 관계를 포착하였으며, 전체 효소의 48%가 특징 공간에서 진짜 EC 계열을 가장 가까운 부분공간으로 선택하였다.
• 산란 특징에서 유추된 EC 교환 선호도는 Cuesta 등(2015)에서 보고한 기존의 진화적 선호도와 매우 유사하여 특징의 기술적 능력을 검증하였다.
• 결과적으로 기하학적 산란은 감독 및 비감독 분석에 모두 적합한 보편적이고 해석 가능하며 안정적인 그래프 표현을 제공함을 보여주었다.