[논문 리뷰] Link Prediction with Persistent Homology: An Interactive View

Zuoyu Yan, Tengfei Ma외 3명|arXiv (Cornell University)|2021. 02. 20.

Advanced Graph Neural Networks인용 수 7

한 줄 요약

이 논문은 노드 쌍 간의 다단계 연결의 풍부함을 포착하기 위해 확장된 영속 호몰로지(extended persistent homology)를 사용하는 새로운 위상적 접근법을 제안한다. k-호프 이웃 범위 내에서 위상적 특징을 계산하고 이를 그래프 신경망(TLC-GNN)에 통합함으로써, 단순한 근접성 초과하는 구조적 복잡성의 모델링을 개선하면서도 여러 벤치마크에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Link prediction is an important learning task for graph-structured data. In this paper, we propose a novel topological approach to characterize interactions between two nodes. Our topological feature, based on the extended persistent homology, encodes rich structural information regarding the multi-hop paths connecting nodes. Based on this feature, we propose a graph neural network method that outperforms state-of-the-arts on different benchmarks. As another contribution, we propose a novel algorithm to more efficiently compute the extended persistence diagrams for graphs. This algorithm can be generally applied to accelerate many other topological methods for graph learning tasks.

연구 동기 및 목표

• 기존 링크 예측 방법이 노드 쌍 간 연결의 구조적 풍부함을 포착하는 데에 한계가 있음을 해결하기 위해.
• 확장된 영속 호몰로지를 사용하여 다단계 연결 패턴을 인코딩하는 쌍별 위상적 특징을 개발하기 위해.
• 위상적 특징을 그래프 신경망에 통합하여 링크 예측 성능 향상시키기 위해.
• 그래프 학습 작업을 위한 계산 비용을 줄이기 위해 새로운 알고리즘을 통해 확장된 영속 도형의 계산을 가속화하기 위해.
• 위상적 특징이 실제 그래프에서 양성 및 음성 간선을 효과적으로 구분할 수 있음을 입증하기 위해.

제안 방법

• 노드 쌍의 k-호프 둘러싸인 부분그래프에 대해 확장된 영속 호몰로지를 계산하여 위상적 특징을 추출한다.
• 상호작용의 중요도를 측정하기 위해 거리 기반 필터 함수를 사용하며, 위상적 특징(0차 성분 및 1차 고리)의 생애 및 사멸 시간은 영속 도형에 인코딩된다.
• 확장된 도형에서 영속 이미지를 생성하여, 미분 가능하고 임bedding에 유용한 특징 표현을 만든다.
• 위상적 특징을 그래프 신경망(TLC-GNN)에 통합하여 노드 표현을 개선하고 링크 예측 성능을 향상시킨다.
• 그래프 학습 작업을 위한 효율적인 확장된 영속 도형 계산을 위해 새로운 알고리즘을 제안한다.
• t-SNE 시각화를 활용하여 위상적 특징 공간에서 양성 및 음성 간선의 분리 가능성 분석을 수행한다.

실험 결과

연구 질문

• RQ1 확장된 영속 호몰로지에서 유도된 위상적 특징이 노드 쌍 간 연결의 구조적 풍부함을 효과적으로 포착할 수 있는가?
• RQ2 GNN에 위상 정보를 통합함으로써 기존 기준 방법에 비해 링크 예측 성능가 향상되는가?
• RQ3 다양한 그래프 유형에서 정보성 있는 위상적 특징을 포착하기 위해 최적의 k-호프 이웃 범위 크기는 무엇인가?
• RQ4 확장된 영속 도형이 특징 공간에서 양성 및 음성 간선을 효과적으로 분리할 수 있는가?
• RQ5 제안된 확장된 영속 도형 계산 알고리즘이 기존 방법에 비해 효율성이 높은가?

주요 결과

• TLC-GNN는 링크 예측 벤치마크에서 최신 기술 수준의 성능을 달성하며, 기존 GNN 및 위상 기반 기준 모델을 모두 능가한다.
• PubMed에서는 k=2일 때 97.03% AUC를 기록하여 인용 네트워크에서 뛰어난 성능을 입증한다.
• PPI에서는 k=2일 때 84.11% AUC를 기록하여 생물학적 상호작용 네트워크에서의 효과성을 보여준다.
• t-SNE를 통한 시각화 결과, 양성 간선은 위상적 특징 공간에서 뚜렷하고 길쭉한 군집을 형성하는 반면, 음성 간선은 조밀한 군집을 이룬다.
• t-SNE 군집의 양 끝에서 선택된 양성 샘플은 다양한 고리 밀도와 영속 점 분포를 보이며, 이는 다양한 구조적 패턴을 반영한다.
• 제안된 확장된 영속 도형 계산 알고리즘은 계산 비용을 크게 감소시켜 그래프 학습 작업에 넓은 적용 가능성을 제공한다.