DG-CoLearn: 동적 그래프를 위한 효율적인 협업 학습 프레임워크

동적 그래프 학습 (Dynamic Graph Learning, DGL)은 진화하는 그래프 데이터를 모델링하는 데 필수적이지만, 기존 방식들은 반복적인 전체 스냅샷 재학습으로 인해 상당한 계산 오버헤드 (computational overhead)를 겪으며, 분할된 데이터가 존재하는 협업 환경에는 적합하지 않습니다. 실제 그래프 시스템에서는 파티션 간 에지 (cross-partition edges)가 불가피하게 발생하지만, 클라이언트 간에 그래프 구조를 직접 공유하는 것은 개인정보 보호 제약 조건을 위반할 수 있습니다. 우리는 증분적 그래프 스냅샷 처리 (incremental graph snapshot processing)를 기반으로 구축된, 클라이언트 무관형 (client-oblivious) 협업 동적 그래프 학습 프레임워크인 DG-CoLearn을 제안합니다. 이 프레임워크는 시간적 모델링 (temporal modelling)을 통해 과거 정보를 보존하면서, 시간적 업데이트에 의해 영향을 받는 그래프 영역에 계산을 집중합니다. 이러한 증분적 설계는 전체 그래프 처리 파이프라인에 일관되게 적용되며, 여기에는 원시 클라이언트 간 구조 정보를 노출하지 않고도 정확한 멀티 홉 메시지 전달 (multi-hop message passing)을 가능하게 하는 서버 매개 임베딩 교환 메커니즘 (server-mediated embedding exchange mechanism)이 포함됩니다. 광범위한 실험을 통해 DG-CoLearn은 학습 시간에서 최대 33.8배의 속도 향상을 달성하고 통신 오버헤드 (communication overhead)를 27.4배 감소시키는 동시에, 노드 분류 (node classification, 최대 13.36% F1 향상) 및 링크 예측 (link prediction, 최대 8.27% MAP 향상) 작업 모두에서 예측 성능을 일관되게 개선함을 입증했습니다. 이러한 결과는 협업 동적 그래프 학습에서 효율성, 확장성, 그리고 클라이언트 간 구조적 개인정보 보호 사이의 간극을 메우는 DG-CoLearn의 효과를 강조합니다.