Aitchison 임베딩을 활용한 구성적 그래프 표현 학습

요약

본 논문은 노드가 잠재적인 역할 혼합(role-mixture)으로 설명될 수 있다는 관찰에서 영감을 받아, Aitchison 기하학을 기반으로 하는 구성적 그래프 임베딩 프레임워크를 제안합니다. 이 방법론은 노드를 심플렉스 값의 조성(compositions)으로 표현하고 등거리 로그 비율(ILR) 좌표를 사용하여 임베딩함으로써, 아키텍처 간 상대적 트레이드오프를 반영하는 해석 가능한 구조를 제공합니다. 이를 통해 기존 그래프 임베딩보다 높은 설명 가능성을 가지면서도 노드 분류 및 링크 예측에서 경쟁력 있는 성능을 달성할 수 있습니다.

핵심 포인트

• Aitchison 기하학 기반의 구성적 그래프 임베딩 프레임워크 제안: 노드를 심플렉스 조성으로 표현합니다.
• 등거리 로그 비율(ILR) 좌표 사용: Aitchison 거리를 보존하며 유클리드 공간에서 최적화를 가능하게 합니다.
• 내재적인 해석 가능성 제공: 아키텍처 간의 상대적 트레이드오프를 반영하여 높은 설명 가능성을 가집니다.
• 부분 구성적 일관성 활용: 부분 집합에 대한 잘 정의된 기하학을 유지하며, 원칙적인 구성 요소 제한을 탐구할 수 있습니다.