쌍곡선 그래프 표현 학습 방법의 통합 프레임워크

쌍곡선 기하학은 저차원 임베딩을 사용하여 계층적 조직과 이질적인 연결 패턴을 포착할 수 있는 능력 덕분에 복잡한 네트워크를 표현하는 데 효과적인 잠재 공간으로 부상했습니다. 그 결과, 최근 몇 년간 수많은 쌍곡선 그래프 표현 학습 방법이 제안되었습니다. 그러나 구현이 파편화되어 있고 재현 가능하고 공정한 평가를 위한 공유 도구가 부족하기 때문에 실제 채택과 체계적인 비교는 여전히 어렵습니다. 본 연구에서는 여러 널리 사용되는 임베딩 방법을 공통 최적화 인터페이스 하에 통합하는 쌍곡선 그래프 표현 학습을 위한 통합 오픈소스 프레임워크를 소개합니다. 새로운 프레임워크는 쌍곡선 임베딩의 일관된 훈련, 시각화 및 평가를 가능하게 하며 표준 네트워크 분석 도구와 원활하게 인터페이스합니다. 이 통합 설정을 활용하여 우리는 실제 세계 네트워크에 대한 쌍곡선 임베딩 방법의 실험적 연구를 수행하며, 링크 예측과 노드 분류라는 두 가지 정통 다운스트림 작업에 중점을 둡니다. 예측 정확도를 넘어, 이 연구는 기존 접근법의 강점과 한계에 대한 실용적인 통찰력을 제공하여 정보에 입각한 방법 선택을 용이하게 하고 쌍곡선 그래프 표현 학습에서의 재현 가능한 연구를 촉진합니다.