그래프 기하학 추출: GNN에서 MLP로의 지식 격차

요약

본 논문은 GNN의 메시지 전달 기반 지식을 MLP로 효과적으로 증류하는 방법을 제안합니다. 기존 방법들이 놓치던 그래프 유도 기하학적 정보를 Ollivier-Ricci 곡률을 활용하여 학습 과정에 반영한 Graph Geometry-aware MLP (G^2MLP)를 개발했습니다. 이 모델은 추론 시 그래프가 필요 없는 표준 MLP 형태로 배포 가능하며, 다양한 노드 분류 벤치마크에서 우수한 성능을 보였습니다.

핵심 포인트

• Ollivier-Ricci 곡률 기반의 G^2MLP 프레임워크를 제안함.
• 기존 방법들이 놓치는 그래프 유도 기하학적 정보를 포착함.
• 희소/밀집 그래프에서 발생하는 스펙트럼 실패 모드를 해결함.
• 배포된 모델은 표준 MLP로, 추론 시 그래프 접근이 필요 없음.