그래프 합성곱 신경망이 학습한 노드 표현을 노드 특징이 변화했을 때 빠르게 갱신하는 방법

EasyChair Preprint 11131

Abstract

최근 여러 분야의 그래프 데이터 분석에 그래프 합성곱 신경망(graph convolutional network, CGN)이 널리 사용되고 있다. GCN은 주어진 그래프에 포함된 각 노드의 특징과 노드 간의 연결 상태를 입력으로 받아 각 노드에 대한 표현(representation)을 학습한다. 하지만 학습 후 시간이 지나 일부 노드만 특징이 변경되더라도 GCN은 전체 노드의 표현을 모두 다시 학습해야 한다는 문제가 있다. 따라서 본 논문에서는 그래프에 포함된 노드 중 일부만 특징이 변경되었을 때, 이전 학습 결과를 활용하여 전체 노드의 표현을 빠르게 갱신하는 방법을 제안한다. 제안 방법은 이전에 학습된 표현에서 특징이 변경된 노드들에 의해 변경된 부분만을 빠르게 계산한다. 가상 데이터를 사용한 실험 결과 제안 방법은 특징이 변경된 노드 수가 적을수록 전체 노드의 표현을 모두 다시 학습하는 기존 방법에 비해 수행 시간을 크게 줄임을 확인하였다.

Keyphrases: Graph Convolutional Network, Graph Neural Network, node representation

@booklet{EasyChair:11131,
  author    = {Yeonju Song and Ki Yong Lee},
  title     = {A Fast Method for Updating Node Representations Learned by Graph Convolutional Networks When Node Features Change},
  howpublished = {EasyChair Preprint 11131},
  year      = {EasyChair, 2023}}